我正在尝试从以下内容中提取 html 表URL .
例如,第 44 页的 2019 年董事薪酬表。我相信该表没有特定的 id,例如“薪酬表”等。要提取该表,我只能想到匹配的列名称或关键字,例如“股票奖励”或“所有其他补偿”,然后抓取关联的表。
有没有一种简单的方法可以根据列名提取这些表?或者也许有更简单的方法?
Thanks!
我在抓取 HTML 表方面相对较新..我的代码如下
from bs4 import BeautifulSoup
import requests
url = 'https://www.sec.gov/Archives/edgar/data/66740/000120677420000907/mmm3661701-def14a.htm'
r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
rows = soup.find_all('tr')
当然你可以这样做,使用pandas
read_html
函数使用match
and attrs
根据文档.
import pandas as pd
df = pd.read_html(
"https://www.sec.gov/Archives/edgar/data/66740/000120677420000907/mmm3661701-def14a.htm", attrs={'style': 'border-collapse: collapse; width: 100%; font: 9pt Arial, Helvetica, Sans-Serif'}, match="Non-Employee Directors")
print(df)
df[0].to_csv("data.csv", index=False, header=False)
Output: 在线查看
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)