Python｜使用 Pandas 讀取澳門公職人員開考列表及進行文字處理與篩選
大家好，來繼續 Python Pandas 數據處理系列介紹。
我在 使用 Pandas 的 read_html 讀取網頁上的表格內容 中介紹了不同的表格讀取例子，但讀取後未進一步探討如何處理。在這篇中，我們以澳門公職人員開考列表之網頁作為例子，從讀取至分柝文字及搜尋篩選開考資訊。
在這個例子中，我們會學到 Python 及 Pandas 的以下幾方面技巧：
- 當 read_html 不成功時，使用 requests 配搭取得網頁內的 <table> 元素內容
- 使用 Split 將字串切開
- 使用 apply 加 split 將一行內容拆成多欄，方便搜尋篩選
- Python 列表 Slicing 取得頭 N 項數據
目標網站分析
目標網站：https://concurso-uni.safp.gov.mo/
在上述網站中，中間有三個開考表格，我示範的目標是第三個：「專業或職務能力評估開考(2021/7/1後開展的)」。
中間三個是 <table> 表格，即我們期望使用 read_html 取得網站後，最少有三個 DataFrame 表格，可能會因為網站其他地方也使用了 <table> 而有更多，但最少應為 3 個。
使用 requests 配搭取得網頁內的 <table> 元素內容
在使用 Pandas 的 read_html 讀取時，有些情況會出現表格就在那𥚃，但使用 pandas read_html 時會報錯，說找不到 <table> 元素，此時大約有以下可能，可能性由高至低排列：
- 網站內容目測是表格，但背後的 HTML 代碼其實不是表格。
- 網站的 <table> 數據是 JavaScript 動態加載的，來源是 JSON。
- 網站的 <table> 數據是 JavaScript 動態載入的，而來源亦是 <table> HTML 格式。
- 網站在 pandas 存取時會屏蔽，不返回數據。
這個網站就是原因 4，當我們嘗試用以下代碼時，read_html 會報錯說找不到 <table> 元素。因為 Pandas 的存取會內置使用 urllib3，所以網站會有可能針對這個字眼來的客戶端進行屏蔽。
import pandas as pd url = "https://concurso-uni.safp.gov.mo/" tables = pd.read_html(url) # 錯誤
解決方案是使用其他存取方法取得此版網頁的 HTML，再把 HTML 交給 read_html 分析成 DataFrame 數據。
而其他方法，包括使用 BeautifulSoup 或 Selenium。前者是下載網站的 HTML 內容並分析生成元素結構樹，然後我們可以通過 CSS 選取器按條件取得當中的內容，是通用的網站爬蟲方式。而後者，Selenium 是控制瀏覽器的自動化測試工具，可以用編程控制瀏覽器載入網頁，包括用 JavaScript 動態生成的網頁，甚至自動填表或進行介面操作等。
由於 BeautifulSoup 是下載內容的機制而 Selenium 是啟動瀏覽器自動化機制，兩者運行速度相差甚遠，所以我們會優先使用 BeautifulSoup 下載 HTML 內容，若失敗時，或必須自動化操作始能存取目標數據時，才會使用 Selenium。
以下代碼，我們嘗試使用 requests 讀取網站，再將讀取得的 HTML 源代碼直接交予 read_html，印出找到的表格數量，得到 4 個表格。
import pandas as pd import requests url = "https://concurso-uni.safp.gov.mo/" res = requests.get(url) tables = pd.read_html(res.text) print(len(tables))
取得的 4 個數據表格中，當中第三個，就是我們需要的。所以 df = tables[3] 然後列印出來望望，得出以下數據。
設定欄名稱
Pandas 的操作，多以欄作為思考。我們會檢視數據的欄位，只保留需要的，反為這些原始數據的欄位重新命名，以適合我們一會使用。
由於這個表格只有兩欄，我們可以直接用 df.columns 設定。例如：
df.columns = ["日期", "內容"]
設定後，我們可以通過 df["內容"] 來存取整欄的內容。每欄數據的類型為 Pandas 的 Series (系列）類型。
例如以下為 df["內容"] 的結果，可以列出每行的內容。
分柝文字內容，得出部門、範疇、開考職階
從圖中可以看出，這些內容有待清理。這些內容有一定模式，就是一開始是部門名稱，伴隨一個空格，緊接是開考範野，再伴隨另一個空格，緊接是開考職階。我們可以利用 split，對每一行的內容按空格切開，得出列表。
例如，假若有這句字串「交通事務局 機電工程範疇 第一職階二等高級技術員」
example = "交通事務局 機電工程範疇 第一職階二等高級技術員"
example.split(" ")
而 Python 中，我們可以同時將 N 個變量名稱對應 N 個列表項目，會一一儲存對應的項目數據，我們稱這個動作為 unpack。例如，以下 split 範例，我們可以分別將三個值放到三個變量中去。
example = "交通事務局 機電工程範疇 第一職階二等高級技術員"
部門, 範疇, 職階 = example.split(" ")
這樣就可以分別將列表的三個值分配到三個獨立的變量中。要注意的是使用這招式，必須前後數量匹配才可。如果要處理的文字可能有額外空格，我們可以加上 [:3] 來確保只取頭三個值。
example.split(" ")[:3]
關於 [:3]，這是列表切片，詳情可以參考：Python 使用列表切片 List Slicing 取得列表的範圍數值。
整欄處理的 apply 函數
上述就是 split 的基本用法。但我們不會這樣逐列逐列處理。於 Pandas 中，我們是以欄位思考的，可以用 apply 來為整欄的數據套用上述的 split 函數。
df["內容"].apply(lambda x: x.split(" ")[:3])
關於 lambda 的使用，可以參考 @YCJHUO 的在 Pandas 中，如何使用 lambda 以及客制化 boolean 值。
以下為運行結果，可以看到每行內容已成功抽取為三個獨立的值。
但我們需要的是生成三欄獨立的欄，所以基於上述代碼，需要再套用 apply(pd.Series)，其原理是當 Pandas 生成欄（Series）時，會自動將多重列表、字典（Dict）等拆分成欄。所以更新後的代碼如下：
df["內容"].apply(lambda x: x.split(" ")[:3]).apply(pd.Series)
從結果可見，今次我們成功從每行的一串文字抽取出三項資訊，並分別得出三欄。
將此三欄加到原 DataFrame 數據表上，數據清理階段便暫告完成。
df[["部門", "範疇", "職階"]] = df["內容"].apply(lambda x: x.split(" ")[:3]).apply(pd.Series)
數據使用
於這份數據中，我們可以做一些基本查詢，例如看一看數據中共涉及哪些部門及哪些範疇。
set(df["部門"])
set(df["範疇"])
我們亦可以通過 group by，按範疇分類，數數有多少筆記錄，或倒轉按部門分類，數數每個部門有多少筆記錄。
按範疇分類：
df.groupby(by="範疇")["內容"].agg(len)
按部門分類：
df.groupby(by="部門")["內容"].agg(len)
groupby 是將某一欄的數據變成索引，而關連此欄每一項數據的，就按我們提供的函數整合。常見的整合有 .agg(np.sum) 加總、.agg(np.mean) 取平均值、及上述代碼使用的 .agg(len) 數數目。
篩算特定數據
我們可以將特定值作為篩選條件，通過某一欄位與值的比較，我們會得出一個 True/False 的 Boolean 布林值序列（Series），再將此序列放回 DataFrame，就以只顯示 True 的那列，達至篩選效果。
mask = df["範疇"]=="電機工程範疇" df[mask]
亦可以隨時將覺得有用的 DataFrame 數據輸出成 Excel：
df[mask].to_excel("最近電機工程範疇開考列表.xlsx")
總結
此篇，我們借助澳門公職人員開考列表，示範了從網絡中取得內容後，如何通過 split 字串處理抽出內容、通過 apply 批量套用函數、使用 groupby 計算基統計數值、及使用 == 篩選數據。
今日的例子以文字處理為主，之後我們再以其他例子探討 Pandas 的其他應用，如數值處理、移動平均線運算、文字的正規表達成抽出等等。
Pandas 系列文章
- 使用 Pandas 的 read_html 讀取網頁上的表格內容
- 本文：使用 Pandas 讀取澳門公職人員開考列表及進行文字處理與篩選
— 麥誠 Makzan，2022-01-14。
我是麥誠軒（Makzan)，除了正職外，平常我要麼辦本地賽與辦世界賽，要麼任教編程與網站開發的在職培訓。現正轉型將面授培訓內容寫成電子書、網上教材等，至今撰寫了 7 本書， 2 個視頻教學課程。
如果我的文章有價值，請左下角 👍🏻按讚支持，或訂閱贊助我持續創作及分享。
