我一直在使用熊猫抓取数据表。使用pd.read_html()非常简单,但是我尝试使用的其中一个网址无法正常工作。这是我的代码:
import pandas as pd
import requests
base_site = 'https://stats.ncaa.org/team/376/stats/15061'
r = requests.get(base_site)
r.status_code
tables = pd.read_html(base_site)
我输入了检查状态码的请求,输出的200很好。
这里是pd.read_html()的输出:
---------------------------------------------------------------------------
HTTPError Traceback (most recent call last)
<ipython-input-4-398e418f089e> in <module>()
----> 1 tables = pd.read_html(base_site, attrs = {'class' : 'dataTable', 'id' : 'statgrid'})
11 frames
/usr/lib/python3.6/urllib/request.py in http_error_default(self, req, fp, code, msg, hdrs)
648 class HTTPDefaultErrorHandler(BaseHandler):
649 def http_error_default(self, req, fp, code, msg, hdrs):
--> 650 raise HTTPError(req.full_url, code, msg, hdrs, fp)
651
652 class HTTPRedirectHandler(BaseHandler):
HTTPError: HTTP Error 403: Forbidden
我在遍历html后尝试添加参数以使调用更加具体,但收到相同的错误,无济于事。
tables = pd.read_html(base_site, attrs = {'class' : 'dataTable', 'id' : 'statgrid'})
我是否缺少明显的东西?其他站点将向我指定的表对象返回一个列表,但是我无法弄清楚为什么这对于我实际想要数据的站点不起作用。
您可能要检查bs4或硒以进行网络抓取。
对于您的问题,请尝试替换
pd.read_html(base_site)
到
pd.read_html(r.text)