如何用Pandas提取HTML表格指定列的超链接（T20I记分卡为例）

我想要爬取2005年T20I（二十20国际板球赛事）的比赛汇总表，目标是用Pandas爬取表格并提取最后一列「Scorecard（记分卡）」的超链接而非文本。

我试过StackOverflow上的相关方案，用BeautifulSoup提取链接但无效，这也不是我的首选方法；还尝试过URLExtract库，同样没效果。

我希望仅通过Pandas直接实现，不用处理HTML标签。尝试过pandas.read_html的extract_links参数，但该参数会把文本和链接用逗号分隔，而且只能选择all/header/footer/body选项，没法单独提取指定列，提取的链接还不完整。如果能把链接分离到新列，我可以添加前缀补全链接后再和基础表合并，想问能不能通过extract_links实现文本与链接的分离？

我的代码如下：

import pandas as pd
url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
table = pd.read_html(url)[0]
#table = pd.read_html(url, extract_links = "body")[0]
table

可以通过extract_links参数实现文本与链接的分离，具体步骤如下：

1. 使用extract_links="body"读取表格，此时带链接的单元格会返回(显示文本, 相对链接)的元组
2. 单独处理「Scorecard」列，拆分出文本和链接
3. 补全链接前缀，将完整链接存入新列，同时保留原文本（或按需替换）

完整代码 #

import pandas as pd

url = 'https://www.espncricinfo.com/records/year/team-match-results/2005-2005/twenty20-internationals-3'
# 读取表格并提取body区域的链接
table_with_links = pd.read_html(url, extract_links="body")[0]

# 处理Scorecard列，拆分文本与链接
scorecard_col = table_with_links['Scorecard']
# 提取相对链接并补全前缀，生成完整URL列
table_with_links['Scorecard_Link'] = scorecard_col.apply(lambda x: f"https://www.espncricinfo.com{x[1]}")
# 保留原Scorecard显示文本
table_with_links['Scorecard'] = scorecard_col.apply(lambda x: x[0])

# 查看处理后的结果示例
print(table_with_links[['Scorecard', 'Scorecard_Link']].head())

说明 #

• extract_links="body"会让表格中包含超链接的单元格返回元组格式：(单元格显示文本, 页面相对URL)
• 通过apply遍历「Scorecard」列的每个元组，分别提取文本和链接部分
• 给相对链接添加官网前缀，即可得到可直接访问的完整记分卡链接，存入新增的Scorecard_Link列

整个过程无需额外处理HTML标签，完全通过Pandas实现需求。

内容的提问来源于stack exchange，提问作者siddharth varada