熊貓read_html ValueError：找不到表

Question

我正在嘗試從“ https://www.wunderground.com/personal-weather-station/dashboard?ID=KMAHADLE7#history/tdata/s20170201/e20170201/mcustom.html ”天氣地下頁面中抓取歷史天氣數據。 我有以下代碼：

import pandas as pd 

page_link = 'https://www.wunderground.com/personal-weather-station/dashboard?ID=KMAHADLE7#history/tdata/s20170201/e20170201/mcustom.html'
df = pd.read_html(page_link)
print(df)

我有以下回應：

Traceback (most recent call last):
 File "weather_station_scrapping.py", line 11, in <module>
  result = pd.read_html(page_link)
 File "/anaconda3/lib/python3.6/site-packages/pandas/io/html.py", line 987, in read_html
  displayed_only=displayed_only)
 File "/anaconda3/lib/python3.6/site-packages/pandas/io/html.py", line 815, in _parse raise_with_traceback(retained)
 File "/anaconda3/lib/python3.6/site-packages/pandas/compat/__init__.py", line 403, in raise_with_traceback
  raise exc.with_traceback(traceback)
ValueError: No tables found

雖然，此頁面顯然有一個表，但read_html並未選擇它。 我嘗試使用Selenium，以便在閱讀頁面之前可以加載該頁面。

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

driver = webdriver.Firefox()
driver.get("https://www.wunderground.com/personal-weather-station/dashboard?ID=KMAHADLE7#history/tdata/s20170201/e20170201/mcustom.html")
elem = driver.find_element_by_id("history_table")

head = elem.find_element_by_tag_name('thead')
body = elem.find_element_by_tag_name('tbody')

list_rows = []

for items in body.find_element_by_tag_name('tr'):
    list_cells = []
    for item in items.find_elements_by_tag_name('td'):
        list_cells.append(item.text)
    list_rows.append(list_cells)
driver.close()

現在，問題在於它找不到“ tr”。 我將不勝感激任何建議。

Answer 1

您可以使用requests ，避免打開瀏覽器。

您可以使用以下方法獲取當前狀況：

https://stationdata.wunderground.com/cgi-bin/stationlookup?station=KMAHADLE7&units=both&v=2.0&format=json&callback=jQuery1720724027235122559_1542743885014&_=15

和'jQuery1720724027235122559_1542743885014('從左到右')'條帶。 然后處理json字符串。

您可以通過以下代碼調用API來獲取摘要和歷史記錄

https://api-ak.wunderground.com/api/606f3f6977348613/history_20170201null/units:both/v:2.0/q/pws:KMAHADLE7.json?callback=jQuery1720724027235122559_1542743885015&_=1542743886276

然后，您需要從前面和');'剝離'jQuery1720724027235122559_1542743885015(' ');' 從右邊。 然后，您可以解析一個JSON字符串。

JSON樣本：

您可以通過使用瀏覽器中的F12開發工具並檢查“網絡”標簽中的頁面加載期間創建的流量來找到這些URL。

current的示例，注意到JSON中的nulls似乎存在問題，因此我將其替換為"placeholder" ：

import requests
import pandas as pd
import json
from pandas.io.json import json_normalize
from bs4 import BeautifulSoup

url = 'https://stationdata.wunderground.com/cgi-bin/stationlookup?station=KMAHADLE7&units=both&v=2.0&format=json&callback=jQuery1720724027235122559_1542743885014&_=15'
res = requests.get(url)
soup = BeautifulSoup(res.content, "lxml")
s = soup.select('html')[0].text.strip('jQuery1720724027235122559_1542743885014(').strip(')')
s = s.replace('null','"placeholder"')
data= json.loads(s)
data = json_normalize(data)
df = pd.DataFrame(data)
print(df)

Answer 2

這是使用硒實現瀏覽器自動化的解決方案

from selenium import webdriver
import pandas as pd
driver = webdriver.Chrome(chromedriver)
driver.implicitly_wait(30)

driver.get('https://www.wunderground.com/personal-weather-station/dashboard?ID=KMAHADLE7#history/tdata/s20170201/e20170201/mcustom.html')
    df=pd.read_html(driver.find_element_by_id("history_table").get_attribute('outerHTML'))[0]

Time    Temperature Dew Point   Humidity    Wind    Speed   Gust    Pressure  Precip. Rate. Precip. Accum.  UV  Solar
0   12:02 AM    25.5 °C 18.7 °C 75 %    East    0 kph   0 kph   29.3 hPa    0 mm    0 mm    0   0 w/m²
1   12:07 AM    25.5 °C 19 °C   76 %    East    0 kph   0 kph   29.31 hPa   0 mm    0 mm    0   0 w/m²
2   12:12 AM    25.5 °C 19 °C   76 %    East    0 kph   0 kph   29.31 hPa   0 mm    0 mm    0   0 w/m²
3   12:17 AM    25.5 °C 18.7 °C 75 %    East    0 kph   0 kph   29.3 hPa    0 mm    0 mm    0   0 w/m²
4   12:22 AM    25.5 °C 18.7 °C 75 %    East    0 kph   0 kph   29.3 hPa    0 mm    0 mm    0   0 w/m²

由於上面的一類代碼實際上並不是很好的自記錄代碼，因此請按實際情況進行細化的編輯：

設置驅動程序后，我們選擇具有其ID值的表（感謝此站點實際上使用了合理的描述性ID）

tab=driver.find_element_by_id("history_table")

然后，從該元素中獲取HTML而不是Web驅動程序元素對象

tab_html=tab.get_attribute('outerHTML')

我們使用熊貓來解析html

tab_dfs=pd.read_html(tab_html)

從文檔 ：

“即使HTML內容中僅包含一個表，read_html也會返回DataFrame對象的列表”

因此，我們使用唯一的表索引到該列表，索引為零

df=tab_dfs[0]