我试图通过Transfetmarkt网站使用pandas.read_html()函数从各种html表中抓取英国足球统计数据。
范例:
import pandas as pd
url = r'http://www.transfermarkt.co.uk/en/premier-league/gegentorminuten/wettbewerb_GB1.html'
df = pd.read_html(url)
但是,此代码会生成**“ValueError:无效的URL”**错误。
然后,我尝试使用urllib2.urlopen()函数解析同一个网站。这一次我得到了一个“HTTP错误:HTTP错误404:未找到”。在通常的尝试和错误查找之后,urllib2头向Web服务器提供了一个类似Python的代理,我认为它无法识别。
现在,如果我修改urllib2的代理并使用beautifulsoup读取它的内容,我就可以毫无问题地读取表了。
范例:
from BeautifulSoup import BeautifulSoup
import urllib2
opener = urllib2.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0')]
url = r'http://www.transfermarkt.co.uk/en/premier-league/gegentorminuten/wettbewerb_GB1.html'
response = opener.open(url)
html = response.read()
soup = BeautifulSoup(html)
table = soup.find("table")
我如何修改pandas的urllib2头以允许python抓取此网站?
谢谢
2条答案
按热度按时间k10s72fa1#
目前你不能。相关代码:
如您所见,它只是将
url
传递给urlopen
并读取数据。您可以提交一个请求此功能的问题,但我假设您没有时间等待它得到解决,因此我建议使用BeautifulSoup解析html数据,然后将其加载到DataFrame中。或者如果你可以使用
requests
:sigwle7e2#
从pandas 2.1.0 * 开始,可以通过向
storage_options
关键字参数 * 传递头键值Map的字典来发送自定义头。另见
storage_options
inpandas.read_html
。