Python新手求教：如何提取HTML表格第2、3列元素并存储到Pandas DataFrame

嘿，我来帮你搞定这个网页抓取的问题！你已经有了不错的开头，只需要完善循环里的逻辑，把目标列的数据提取出来并添加到DataFrame里就行。下面是具体的步骤和完整代码：

关键修改点说明： #

• 跳过表头行：表格的第一行是表头（<th>标签），用row.find_all('td')会得到空列表，所以我们要跳过这些行。
• 提取目标列：HTML表格的列是从0开始索引的，所以第2列对应col[1]（银行名称），第3列对应col[2]（市值）。
• 清理数据：提取文本后要去掉多余的空格，市值里的逗号可以去掉并转成数值类型，方便后续分析。
• 高效添加数据：先把每行数据存入列表，最后一次性生成DataFrame，比逐行追加更高效。

完整代码： #

import pandas as pd
from bs4 import BeautifulSoup
import requests

html_data = requests.get('https://en.wikipedia.org/wiki/List_of_largest_banks').text
soup = BeautifulSoup(html_data, 'html.parser')
# 初始化一个列表来存储每行数据
data_rows = []

# 定位到目标表格（按市值排名的表格）
target_table = soup.find_all('tbody')[3]
for row in target_table.find_all('tr'):
    col = row.find_all('td')
    # 跳过没有td的表头行
    if len(col) == 0:
        continue
    # 提取第2列（银行名称）和第3列（市值）
    bank_name = col[1].text.strip()
    # 清理市值数据：去掉逗号，转成浮点数
    market_cap = float(col[2].text.strip().replace(',', ''))
    # 将该行数据存入字典，再添加到列表
    data_rows.append({
        "Name": bank_name,
        "Market Cap (US$ Billion)": market_cap
    })

# 从列表生成DataFrame
data = pd.DataFrame(data_rows)
# 查看前几行验证结果
print(data.head())

代码解释： #

1. 定位目标表格：soup.find_all('tbody')[3]确实指向了页面中“By market capitalization”的表格，这个是对的。
2. 跳过表头：通过判断len(col) == 0跳过没有数据的表头行。
3. 提取和清理数据：用.strip()去掉文本前后的空格，用.replace(',', '')去掉市值里的千位分隔符，再转成浮点数。
4. 生成DataFrame：先收集所有行数据到列表，最后一次性创建DataFrame，这是Pandas推荐的高效方式（避免逐行append带来的性能问题）。

这样运行后，data就会包含所有银行的名称和对应的市值数据啦！

内容的提问来源于stack exchange，提问作者Hamza Siddiqui