代码之家 › 专栏 › 技术社区 › jason

Pandas:排列从html提取的表

datatables pandas html

0

jason · 技术社区 · 7 年前

我有很多这样的桌子 read_html 不完全正确地读取表。例如:

import pandas as pd

l = 'https://www.sec.gov/Archives/edgar/data/1045810/000104581018000047/nvda2018proxystatementsecf.htm'
df_list = pd.read_html(l)

df = df_list[85].dropna(how='all')
df = df.fillna('')

print df

1 回复 | 直到 7 年前

1

2

matt-chv 7 年前

你的挑战是,你正面临着熊猫阅读html的限制。

issue

一种解决方法可能是编写自己的解析器,如前所述 here

这里的要点是:

首先我们使用BeautifulSoup解析HTML,查找所有表,然后查找每个表中的所有行,然后查找每行中的每个单元格。 colspan信息很容易使用。如果注册的colspan值大于1,则在开始填充下一个单元格之前跳过该列数。