如何使用Pandas从文件中提取HTML表格？

问题描述

我是熊猫的新手，我正试图从一些HTML文件中提取一些数据。

如何转换多个如下所示的HTML表：

var options = {
    //select:   '-id',populate: {
      path: 'article',populate: {
        path: 'article.author',}
    },lean:     true,page:     pageNumber,limit:    18
  };

       PS4
Game Name | Price
GoW       | 49.99
FF VII R  | 59.99

       XBX
Game Name | Price
Gears 5   | 49.99
Forza 5   | 59.99

插入这样的json对象：

<table>
  <tr colspan="2">
    <td>PS4</td>
  </tr>
  <tr>
    <td>Game Name</td>
    <td>Price</td>
  </tr>
  <tr>
    <td>GoW</td>
    <td>49.99</td>
  </tr>
  <tr>
    <td>FF VII R</td>
    <td>59.99</td>
  </tr>
</table>

<table>
  <tr colspan="2">
    <td>XBX</td>
  </tr>
  <tr>
    <td>Game Name</td>
    <td>Price</td>
  </tr>
  <tr>
    <td>Gears 5</td>
    <td>49.99</td>
  </tr>
  <tr>
    <td>Forza 5</td>
    <td>59.99</td>
  </tr>
</table>

我尝试使用pandas.read_html（path / to / file）加载包含表的html文件，它确实返回了DataFrames列表，但此后我不知道如何提取数据，尤其是该平台名称在标题中，而不是单独的列。

我使用熊猫是因为我是从本地htm文件中提取那些表的，这些文件包含其他形式的表和HTML代码，所以我使用：

[
  { "Game Name": "Gow","Price": "49.99","platform": "PS4"},{ "Game Name": "FF VII R","Price": "59.99",{ "Game Name": "Gears 5","platform": "XBX"},{ "Game Name": "Forza 5","platform": "XBX"}
]

使用基于该列名称的match参数快速隔离需要的表。

解决方法

id | name     | action 
-----------------------
 1 | New York |  1 
 2 | Boston   |  3
 3 | Dallas   |  2
 4 | Boston   |  4
 5 | New York |  2
 6 | Chicago  |  5
 7 | Dallas   |  6