Python pyspark read_html用法及代码示例

将 HTML 表读入 DataFrame 对象的 list。

参数：

io：str 或 file-like

URL、file-like 对象或包含 HTML 的原始字符串。请注意，lxml 只接受 http、ftp 和文件 url 协议。如果您有一个以 'https' 开头的 URL，您可以尝试删除 's' 。

match：str 或编译的正则表达式，可选

将返回包含与此正则表达式或字符串匹配的文本的表集。除非 HTML 非常简单，否则您可能需要在此处传递一个非空字符串。默认为“.+”(匹配任何非空字符串)。默认值将返回页面中包含的所有表。此值被转换为正则表达式，以便 Beautiful Soup 和 lxml 之间的行为一致。

flavor：str 或 None，字符串的容器

要使用的解析引擎。 ‘bs4’ 和 ‘html5lib’ 是同义词，它们都是为了向后兼容。 None 的默认值尝试使用 lxml 进行解析，如果失败，则返回 bs4 + html5lib 。

header：int 或 list-like 或无，可选

用于制作列标题的行(或 MultiIndex 的行列表)。

index_col：int 或 list-like 或无，可选

用于创建索引的列(或列列表)。

skiprows：int 或 list-like 或切片或无，可选

基于 0。解析列整数后要跳过的行数。如果给定整数序列或切片，将跳过由该序列索引的行。请注意，单个元素序列表示“跳过第 n 行”，而整数表示“跳过 n 行”。

attrs：dict 或 None，可选

这是一个属性字典，您可以通过它来识别 HTML 中的表格。在传递给 lxml 或 Beautiful Soup 之前，不会检查它们的有效性。但是，这些属性必须是有效的 HTML 表格属性才能正常工作。例如，

attrs = {'id': 'table'}

是一个有效的属性字典，因为 ‘id’ HTML 标签属性是一个有效的 HTML 属性任何HTML标签按照这个文件.

attrs = {'asdf': 'table'}

是不是一个有效的属性字典，因为 ‘asdf’ 不是一个有效的 HTML 属性，即使它是一个有效的 XML 属性。可以找到有效的 HTML 4.01 表格属性这里.可以找到 HTML 5 规范的工作草案这里.它包含有关现代 Web 表属性的最新信息。

parse_dates：布尔型，可选

有关详细信息，请参阅read_csv()。

thousands：str，可选

用于解析数千的分隔符。默认为 ',' 。

encoding：str 或无，可选

用于解码网页的编码。默认为 None 。``None`` 保留先前的编码行为，这取决于底层解析器库(例如，解析器库将尝试使用文档提供的编码)。

decimal：str，默认“。”

识别为小数点的字符(例如：对欧洲数据使用“,”)。

converters：字典，默认无

用于转换某些列中的值的函数的字典。键可以是整数或列标签，值是接受一个输入参数、单元格(不是列)内容并返回转换后的内容的函数。

na_values：可迭代，默认无

自定义 NA 值

keep_default_na：布尔值，默认为真

如果指定了 na_values 并且 keep_default_na 为 False，则默认的 NaN 值将被覆盖，否则它们将附加到

displayed_only：布尔值，默认为真

是否应该解析带有“display: none”的元素

返回：

dfs：DataFrames列表