如何使用Python遍历HTML表和抓取表格数据
译者|李睿审校|孙淑娟表格数据是网络上最好的数据来源之一。它们可以存储大量有用的信息，同时又不丢失易于阅读的格式，使其成为数据相关项目的金矿。无论是抓取足球赛事数据还是提取股票市场数据，都可以使用Python从HTML表中快速访问、解析和提取数据，而这需要感谢Requests和BeautifulSoup。理解HTML表的结构从视觉上看，HTML表是一组以表格格式显示信息的行和列。本文主要介绍如何抓取表格数据：为了能够抓取该表中包含的数据，需要更深入地研究它的编码。一般来说，HTML表实际上是使用
译者 | 李睿
审校 | 孙淑娟
表格数据是网络上最好的数据来源之一。它们可以存储大量有用的信息，同时又不丢失易于阅读的格式，使其成为数据相关项目的金矿。
无论是抓取足球赛事数据还是提取股票市场数据，都可以使用Python从HTML表中快速访问、解析和提取数据，而这需要感谢Requests和Beautiful Soup。
理解HTML表的结构
从视觉上看，HTML表是一组以表格格式显示信息的行和列。本文主要介绍如何抓取表格数据：
为了能够抓取该表中包含的数据，需要更深入地研究它的编码。
一般来说，HTML表实际上是使用以下HTML标记构建的：
：标志着HTML表的开始
或 ：定义行作为HTML表的标题 - ：表示数据所在的部分
：表示表中的一行 ：在表中定义单元格 然而，正如人们在实际场景中看到的，并不是所有开发人员在构建表时都遵循这些约定，这使得一些项目比其他项目更难。不过，了解它们的工作原理对于找到正确的方法至关重要。
在浏览器中输入表的URL，并检查页面，看看在底层发生了什么。
这就是这个页面非常适合练习用Python抓取表格数据的原因。有一个明确的
标签对打开和关闭表，所有相关数据都在标签中。它只显示与前端所选条目数量匹配的10行。
关于这个表还有一些需要了解的事情，即想要抓取的条目共有57个，并且似乎有两种访问数据的解决方案。第一种是点击下拉菜单，选择“100”，显示所有条目：
或者单击“下一步”按钮以浏览分页。
那么哪一种方案会更好?这两种解决方案都会给脚本增加额外的复杂性，因此，先检查从哪里提取数据。
当然，因为这是一个HTML表，因此所有数据都应该在HTML文件本身上，而不需要AJAX注入。要验证这一点，需要右击>查看页面来源。接下来，复制一些单元格并在源代码中搜索它们。
对来自不同分页单元格的多个条目执行了相同的操作，尽管前端没有显示，但似乎所有目标数据都在其中。
有了这些信息，就可以开始编写代码了。
使用Python的Beautiful Soup删除HTML表
因为要获取的所有员工数据都在HTML文件中，所以可以使用Requests库发送HTTP请求，并使用Beautiful Soup解析响应。
注：对于网页抓取的新手，本文作者在Python教程中为初学者创建了一个网络抓取教程。尽管新手没有经验也可以学习，但从基础开始总是一个好主意。
1.发送主请求
在这个项目中创建一个名为python-html-table的新目录，然后创建一个名为bs4-table-scraper的新文件夹，最后创建一个新的python_table_scraper.py文件。
从终端pip3安装请求beautifulsoup4，并将它们导入到项目中，如下所示：
import requests from bs4 import BeautifulSoup
要用requests发送HTTP请求，所需要做的就是设置一个URL并通过request.get()传递它，将返回的HTML存储在响应变量中并输出response.status_code。
注:如果完全不熟悉Python，可以使用命令python3python_table_scraper.py从终端运行代码。
url = 'https://datatables.net/examples/styling/stripe.html' response = requests.get(url) print(response.status_code)
如果它有效，将会返回一个200状态码。任何其他情况都意味着IP正在被网站设置的反抓取系统拒绝。一个潜在的解决方案是在脚本中添加自定义标题，使脚本看起来更加人性化，但这可能还不够。另一个解决方案是使用Web抓取API处理所有这些复杂的问题。
2.使用Beautiful Soup构建解析器
在提取数据之前，需要将原始HTML转换为格式化或解析的数据。将这个解析后的HTML存储到一个soup对象中，如下所示：
soup = BeautifulSoup(response.text, 'html.parser')
从这里开始，可以使用HTML标记及其属性遍历解析树。
如果返回到页面上的表，已经看到该表用类stripe dataTable封装在
标记之间，可以使用它来选择该表。
table = soup.find('table', class_ = 'stripe') print(table)注:在测试之后，添加第二个类(dataTable)并没有返回元素。实际上，在return元素中，表的类只是stripe。还可以使用。
以下是它返回的结果：
Table Return
既然已经获取了表，就可以遍历行并获取所需的数据。
3.遍历HTML表
回想一下HTML表的结构，每一行都由
元素表示，其中有包含数据的 标签对之间。元素，所有这些都包装在 为了提取数据，将创建两个for looks，一个用于抓取表的
部分（所有行所在的位置），另一个用于将所有行存储到可以使用的变量中：for employee_data in table.find_all('tbody'): rows = employee_data.find_all('tr') print(rows)在行中，将存储表正文部分中找到的所有
元素。如果遵循这个逻辑，下一步就是将每一行存储到单个对象中，并循环遍历它们以查找所需的数据。 首先，尝试使用.querySelectorAll（）方法在浏览器控制台上选择第一个员工的名字。这个方法的一个真正有用的特性是，可以越来越深入地实现大于（>）符号的层次结构，以定义父元素（在左侧）和要获取的子元素（在右侧）。
document.querySelectorAll('table.stripe > tbody > tr > td')[0]
如上所见，一旦抓取所有
元素，这些元素就会成为节点列表。因为不能依赖类来获取每个单元格，所以只需要知道它们在索引中的位置，而第一个name是0。 从那里，可以像这样编写代码:
for row in rows: name = row.find_all('td')[0].text print(name)简单地说，逐个获取每一行，并找到其中的所有单元格，一旦有了列表，只获取索引中的第一个单元格(position 0)，然后使用.text方法只获取元素的文本，忽略不需要的HTML数据。
这是一个包含所有员工姓名的列表! 对于其余部分，只需要遵循同样的逻辑：
position = row.find_all('td')[1].text office = row.find_all('td')[2].text age = row.find_all('td')[3].text start_date = row.find_all('td')[4].text salary = row.find_all('td')[5].text然而，将所有这些数据输出在控制台上并没有太大帮助。与其相反，可以将这些数据存储为一种、更有用的新格式。
4.将表格数据存储到JSON文件中
虽然可以轻松地创建一个CSV文件并将数据发送到那里，但如果可以使用抓取的数据创建一些新内容，那么这将不是最容易管理的格式。
尽管如此，以前做的一个项目解释了如何创建一个CSV文件来存储抓取的数据。
好消息是，Python有自己的JSON模块来处理JSON对象，所以不需要安装任何程序，只需要导入它。
import json
但是，在继续并创建JSON文件之前，需要将所有这些抓取的数据转换为一个列表。为此，将在循环外部创建一个空数组。
employee_list = []
然后向它追加数据，每个循环向数组追加一个新对象。
employee_list.append({'Name': name,'Position': position,'Office': office,'Age': age,'Start date': start_date,'salary': salary })如果print(employee_list)，其结果如下：
Employee_List
还是有点混乱，但已经有了一组准备转换为JSON的对象。
注：作为测试，输出employee_list的长度，它返回57，这是抓取的正确行数(行现在是数组中的对象)。
将列表导入到JSON只需要两行代码:
with open('json_data', 'w') as json_file: json.dump(employee_list, json_file, indent=2)- 首先，打开一个新文件，传入想要的文件名称(json_data)和'w'，因为想要写入数据。
- 接下来，使用.dump()函数从数组(employee_list)和indent=2中转储数据，这样每个对象都有自己的行，而不是所有内容都在一个不可读的行中。
5.运行脚本和完整代码
如果一直按照下面的方法做，那么代码库应该是这样的：
#dependencies import requests from bs4 import BeautifulSoup import json url = 'http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html' #empty array employee_list = [] #requesting and parsing the HTML file response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser') #selecting the table table = soup.find('table', class_ = 'stripe') #storing all rows into one variable for employee_data in table.find_all('tbody'): rows = employee_data.find_all('tr') #looping through the HTML table to scrape the data for row in rows: name = row.find_all('td')[0].text position = row.find_all('td')[1].text office = row.find_all('td')[2].text age = row.find_all('td')[3].text start_date = row.find_all('td')[4].text salary = row.find_all('td')[5].text #sending scraped data to the empty array employee_list.append({ 'Name': name, 'Position': position, 'Office': office, 'Age': age, 'Start date': start_date, 'salary': salary }) #importing the array to a JSON file with open('employee_data', 'w') as json_file: json.dump(employee_list, json_file, indent=2)注：在这里为场景添加了一些注释。
以下是JSON文件中的前三个对象：
以JSON格式存储抓取数据允将信息用于新的应用程序
使用Pandas抓取HTML表
在离开页面之前，希望探索第二种抓取HTML表的方法。只需几行代码，就可以从HTML文档中抓取所有表格数据，并使用Pandas将其存储到数据框架中。
在项目的目录中创建一个新文件夹(将其命名为panda-html-table-scraper)，并创建一个新文件名pandas_table_scraper.py。
打开一个新的终端，导航到刚刚创建的文件夹(cdpanda-html-table-scraper)，并从那里安装pandas：
pip install pandas
在文件的顶部导入它。
import pandas as pd
Pandas有一个名为read_html()的函数，它主要抓取目标URL，并返回所有HTML表作为DataFrame对象的列表。
要实现这一点，HTML表至少需要结构化，因为该函数将查找
之类的元素来标识文件中的表。
为了使用这个函数，需要创建一个新变量，并将之前使用的URL传递给它:
employee_datapd.read_html('http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html')当输出它时，它将返回页面内的HTML表列表。
HTMLTables
如果比较DataFrame中的前三行，它们与采用BeautifulSoup抓取的结果完全匹配。
为了处理JSON,Pandas可以有一个内置的.to_json()函数。它将把DataFrame对象列表转换为JSON字符串。
而所需要做的就是调用DataFrame上的方法，并传入路径、格式（split,data,records,index等），并添加缩进以使其更具可读性：
employee_data[0].to_json('./employee_list.json', orient='index', indent=2)如果现在运行代码，其结果文件如下：
Resulting File
注意，需要从索引([0])中选择表，因为.read_html()返回一个列表，而不是单个对象。
以下是完整的代码以供参考
import pandas as pd employee_data = pd.read_html('http://api.scraperapi.com?api_key=51e43be283e4db2a5afbxxxxxxxxxxxx&url=https://datatables.net/examples/styling/stripe.html') employee_data[0].to_json('./employee_list.json', orient='index', indent=2)有了这些新知识，就可以开始抓取网络上几乎所有的HTML表了。只要记住，如果理解了网站的结构和背后的逻辑，就没有什么是不能抓取的。
也就是说，只要数据在HTML文件中，这些方法就有效。如果遇到动态生成的表，则需要找到一种新的方法。
原文标题：How to Use Python to Loop Through HTML Tables and Scrape Tabular Data，作者：Zoltan Bettenbuk
本文内容来源于互联网，如有侵权请联系删除。作者最新文章淘宝闪购“等灯不计时”机制解析：政策、技术与多方协同 2026-09-08 18:00一加自研电竞三芯P4/G3/T3确认：一加16首发，支持185FPS及9000mAh电池 2026-09-08 16:52抖音拍摄剪辑教程：从竖屏运镜到卡点成片 2026-09-03 06:05Excel筛选大于指定数值：操作步骤与结果验证 2026-09-03 06:03PDF添加文字水印：位置、透明度与字号设置指南 2026-09-03 06:01上一篇： Java8中如何处理特定日期相关文章 更多查看更多
Python安装后怎么打开：使用IDLE或命令行启动解释器刚在Windows安装好Python却不知道如何启动？本文详细演示如何通过开始菜单找到并打开IDLE集成开发环境，以及如何在PowerShell或命令提示符中使用python和py命令启动交互式解释器、运行.py脚本文件。包含退出解释器的方法及常见启动问题排查，帮助初学者快速验证安装成功并开始编写代码。
Windows系统Python安装教程：下载、勾选PATH及环境变量配置针对Windows初学者的Python安装实战指南。详细讲解如何从Python官网下载匹配架构的安装包，重点演示安装首屏勾选“Add python.exe to PATH”的关键操作，并提供使用python --version和py命令验证环境变量的具体步骤，帮助新手快速搭建开发环境并排查路径问题。
麒麟OS如何查看Python进程的运行状态要想确认麒麟OS中Python程序的运行状态以及资源占用情况，我们可以这样做：用ps -ef | grep python来筛选进程；通过top命令，按P键排序查看实时负载；使用pgrep -f "script.py"精准获取PID；借助lsof -p PID验证文件打开状态。另外，还可以结合syst
2026-08-22 0
Python在Debian上如何配置SSL证书在Debian系统上配置SSL证书通常涉及以下几个步骤：安装Web服务器：首先，你需要一个Web服务器，比如Apache或Nginx。这里以Apache为例。sudo apt updatesudo apt install apache2获取SSL证书：你可以从Let’s Encrypt免费获取SSL
2026-08-21 0
统信UOS怎么安装Python开发环境要想让Python项目在统信UOS上正常运行，得先安装python3、python3-pip、python3-venv、python3-dev以及build-essential等组件。具体操作就是执行sudo apt install命令来一步到位完成安装，同时别忘了配置清华镜像源来给pip加速哦。在
2026-08-21 0
纯Python方案实现中英文全文搜索在互联网上的各类网站中，无论大小，基本上都会有一个搜索框，用来给用户对内容进行搜索，小到站点搜索，大到搜索引擎搜索。从简单的来说，搜索功能确实很简单，一个简单的select语句就可以实现数据的搜索。而从复杂的来看，无论是搜索的精度还是搜索的效率，都是有很深的研究范围的。对于简单的搜索功能来说，一个s
2026-08-20 0
Mac如何取消通过Python脚本运行的关机程序立即在终端输入sudo shutdown -c取消倒计时关机，成功后显示“Shutdown cancelled”；若存在pmset重复任务，需再执行sudo pmset repeat cancel清除。Mac因Python脚本执行了os.system("sudo shutdown -h +10")或
2026-08-20 0
怎样在无忧小说网中查看阅读进度在无忧小说网，如何精准掌握你的阅读进度？ 在无忧小说网追更小说，最怕的就是忘了上次读到哪儿。如果感觉界面没有清晰显示阅读进度，别急，这通常不是数据丢失，而是相关视图功能没有开启或找到。掌握下面这四条路径，你就能对阅读进度了如指掌。 一、通过阅读页面顶部状态栏查看 最简单直接的方法，其实就藏在眼皮底下
2026-08-18 0热门文章 更多精品专题 更多Mac软件 更多WINDOWS 更多
Windows 10WindowsWindows 10 是一款微软推出的经典操作系统，拥有硬件兼容性与多任务处理能力。它更偏向把系统状态查看和常用调节动作放在一起，适合需要持续观察和微调设备状态的场景。
极度公式Windows/macOS/Linux极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
