pandas.read_html

pandas.read_html(io, *, match='.+', flavor=None, header=None, index_col=None, skiprows=None, attrs=None, parse_dates=False, thousands=',', encoding=None, decimal='.', converters=None, na_values=None, keep_default_na=True, displayed_only=True, extract_links=None, dtype_backend=_NoDefault.no_default, storage_options=None)

将 HTML 表格读取到 DataFrame 对象的 list 中。

Parameters:

io字符串、路径对象或文件类对象

字符串、路径对象（实现 os.PathLike[str]）或实现字符串 read() 函数的类文件对象。该字符串可以表示 URL 或 HTML 本身。请注意，lxml 仅接受 http、ftp 和 file URL 协议。如果您有一个以 'https' 开头的 URL，您可以尝试删除 's'。

自 2.1.0 版本弃用: 传递 HTML 字面量字符串已被弃用。请用 io.StringIO/io.BytesIO 包装字面量字符串/字节输入。

matchstr 或编译后的正则表达式，可选

将返回包含匹配此正则表达式或字符串的文本的表格集合。除非 HTML 非常简单，否则您很可能需要在此处传递一个非空字符串。默认为 ‘.+’（匹配任何非空字符串）。默认值将返回页面上包含的所有表格。此值已被转换为正则表达式，以便在 Beautiful Soup 和 lxml 之间保持行为一致。

flavor{“lxml”, “html5lib”, “bs4”} 或类列表，可选

要使用的解析引擎（或解析引擎列表）。’bs4’ 和 ‘html5lib’ 是同义词，它们都存在以实现向后兼容。默认的 None 尝试使用 lxml 进行解析，如果失败则回退到 bs4 + html5lib。

headerint 或类列表，可选

用于创建列标题的行（或用于 MultiIndex 的行列表）。

index_colint 或类列表，可选

用于创建索引的列（或列列表）。

skiprowsint、类列表或切片，可选

解析列整数后要跳过的行数。从 0 开始计数。如果给定整数序列或切片，将跳过该序列索引的行。请注意，单个元素的序列表示“跳过第 n 行”，而整数表示“跳过 n 行”。

attrsdict, 可选

这是一个属性字典，您可以传递它来识别 HTML 中的表格。在传递给 lxml 或 Beautiful Soup 之前，不会对其进行有效性检查。但是，这些属性必须是有效的 HTML 表格属性才能正常工作。例如：

attrs = {'id': 'table'}

是一个有效的属性字典，因为根据 this document ，’id’ HTML 标签属性是 任何 HTML 标签的有效 HTML 属性。

attrs = {'asdf': 'table'}

不是 一个有效的属性字典，因为 ‘asdf’ 不是有效的 HTML 属性，即使它是有效的 XML 属性。有效的 HTML 4.01 表格属性可以在 here 找到。 HTML 5 规范的工作草案可以在 here 找到。它包含关于现代 Web 表格属性的最新信息。

parse_datesbool, optional

有关更多详细信息，请参阅 read_csv() 。

thousandsbool, default False

用于解析千位数的间隔符。默认为 ','。

encodingbool, default False

用于解码网页的编码。默认为 None。None 保留之前的编码行为，这取决于底层解析库（例如，解析库会尝试使用文档提供的编码）。

decimalstr, 默认为 ‘.’

用于将小数点标识为十进制点的字符（例如，欧洲数据请使用 ‘,’）。

convertersdict, 默认为 None

用于转换特定列中值的函数字典。键可以是整数或列标签，值是接受一个输入参数（单元格（非列）内容）并返回转换后内容的函数。

na_values可迭代对象, 默认 None

自定义 NA 值。

keep_default_nabool, default True

如果指定了 na_values 且 keep_default_na 为 False，则会覆盖默认的 NaN 值，否则将追加到现有值之后。

displayed_onlybool, default True

是否解析具有“display: none”样式的元素。

extract_links{None, “all”, “header”, “body”, “footer”}

指定部分中的带有 <a> 标签的表格元素将会提取其 href 属性。

在 1.5.0 版本加入.

dtype_backend{‘numpy_nullable’, ‘pyarrow’}, 默认 ‘numpy_nullable’

应用于结果 DataFrame 的后端数据类型（仍处于实验阶段）。行为如下：

• "numpy_nullable"：返回支持可空 dtype 的 DataFrame （默认）。

• "pyarrow"：返回 pyarrow 支持的可空 ArrowDtype DataFrame。

在 2.0 版本加入.

storage_optionsdict, 可选

适用于特定存储连接的额外选项，例如主机、端口、用户名、密码等。对于 HTTP(S) URL，键值对将作为标头选项转发给 urllib.request.Request。对于其他 URL（例如，以 “s3://”, 和 “gcs://” 开头的 URL），键值对将转发给 fsspec.open。更多详情请参阅 fsspec 和 urllib，有关存储选项的更多示例，请参阅 here 。

在 2.1.0 版本加入.

Returns:

dfs

DataFrame 列表。

参见

read_csv

将逗号分隔值 (csv) 文件读取到 DataFrame 中。

Notes

在使用此函数之前，您应该阅读 gotchas about the HTML parsing libraries 。

在调用此函数后，预计需要进行一些清理工作。例如，当您传递 header=0 参数时，列名可能会被转换为 NaN，此时您可能需要手动指定列名。我们尽量不对表格的结构做过多假设，并将表格中 HTML 的特殊之处推给用户处理。

此函数会查找 <table> 元素，并且仅查找每个 <tr> 或 <th> 元素内的 <tr> 和 <th> 行以及 <td> 元素。“<td>”代表“表格数据”。此函数尝试正确处理 colspan 和 rowspan 属性。如果函数有一个 <thead> 参数，它将用于构建表头，否则函数会尝试在表体中查找表头（通过将仅包含 <th> 元素的行放入表头）。

与 read_csv() 类似，header 参数是在 skiprows 应用 之后 应用的。

此函数将 始终 返回一个 DataFrame 列表，否则 会失败，例如，它*不会*返回一个空列表。

Examples

有关读取 HTML 表格的一些示例，请参阅文档 IO 部分的 read_html documentation in the IO section of the docs 。