Aller au contenu

Lire un tableau depuis une page web


Dans ce tutoriel, nous allons extraire les données contenues dans un tableau d'une page web.

Vous avez vu un table sur un site et vous souhaitez récupérer les données. Pandas et Beautiful Soup sont vos hommes. Dans ce tutoriel, je vous montre comment extraire les données d'une table à partir d'un site web sur internet.

Ci-dessous, le tableau dont nous allons extraire les données https://www.donneesmondiales.com/pays-plus-riches.php.

Installer les packages

Nous avons besoin de trois packages qu'il faut d'abord installer:

  • requests: pour récupérer le code source de la page
  • BeautifulSoup: pour identifier la table
  • pandas: pour lire les données du tableau, les transformer et les sauvegarder dans un fichier.

L'installion peut être faite depuis le dépôt PyPi

$ pip install requests beatifulsoup pandas

Astuce

L'astuce consiste dans un premier temps à récupérer le code source (HTML) de la page web en question. Ensuite il faut extraire la section qui correspond au tableau (<table> --- </table>) et passer ce bout de code à Pandas qui lira le tableau pour retourner un dataframe.

Implémentation

On commence par importer les packages

# Packages
import requests
from bs4 import BeautifulSoup
import pandas as pd

Il est commun de mettre l'URL de la page dans une constante, on indique également le nom du fichier de sauvegarde.

# Paths
DATA_URL = "https://www.donneesmondiales.com/pays-plus-riches.php"
OUTPUT_FILE = "./pays-plus-riches.csv"

On va utiliser Requests pour récupérer le code source de la page web qui contient le tableau dont nous voulons extraire les données.

# Retreive source code
source = requests.get(DATA_URL)

Une fois le code source récupéré, on convertit en objet Beautiful Soup afin de pouvoir naviguer dans les éléments HTML.

# Convert into bs4 object
soup = BeautifulSoup(source.text, "html.parser")

Il faut spécifier le type de balise et bien évidemment, il s'agit d'une balise table et les propriétés CSS qui permettraient d'indentifier de manière unique la table qui nous intéresse. pour cela, il faut inspecter le code source de la page et récupérer les propriétés CSS, class et id sont les plus utilisées.

# Extract table (specify table css properties)
table = soup.find("table", {"id": "tabsort"})

On passe l'élément table à Pandas qui va y extraire les données dans un dataframe. pandas.read_html retourne une liste de dataframes (un seul dans notre cas), on ajoute donc [0] pour récupérer le dataframe.

# Get data into dataframe
data = pd.read_html(str(table))[0]
data.head(10)

   N°                 Pays PIB ajusté/habitant
0   1           Luxembourg           131.478 $
1   2            Singapour           116.486 $
2   3              Irlande           106.543 $
3   4                Qatar           102.018 $
4   5           Bermudes *            88.185 $
5   6              Norvège            80.491 $
6   7  Émirats arabes unis            76.609 $
7   8               Suisse            75.961 $
8   9       Îles Caïmans *            74.155 $
9  10              Macao *            71.186 $

Il ne vous reste plus qu'à enrégistrer vos données, dans un fichier CSV pour l'exemple

# Export to CSV file
data.to_csv(OUTPUT_FILE, index=False)

Code complet

Lire un tableau depuis une page web - Code complet
# Packages
import requests
from bs4 import BeautifulSoup
import pandas as pd

# Paths
DATA_URL = "https://www.donneesmondiales.com/pays-plus-riches.php"
OUTPUT_FILE = "./pays-plus-riches.csv"

# Retreive source code
source = requests.get(DATA_URL)
# Convert into bs4 object
soup = BeautifulSoup(source.text, "html.parser")
# Extract table (specify table css properties)
table = soup.find("table", {"id": "tabsort"})

# Get data into dataframe
data = pd.read_html(str(table))[0]

# Export to CSV file
data.to_csv(OUTPUT_FILE, index=False)

Références


.

Partagez sur les réseaux sociaux

Commentaires