ARTICLE · 1142894
网页表格一键搬进Excel
你是不是也卡在"把网页表格抄进 Excel"这件事上
每次看到网页上那种整整齐齐的表格，想把数据存下来慢慢分析，是不是只能一行行复制粘贴？几百行抄完，手都麻了，还容易抄错。其实这种活儿，最该交给电脑自己干。今天教你一招 RPA 里最爽的入门场景——把网页表格自动搬进 Excel，你只管看结果就行。
这种活儿，RPA 管它叫"网页表格采集"
RPA 说白了就是"让机器人替你重复点鼠标、搬数据"。网页上现成的表格，就是最理想的练习对象。以前你可能觉得要学爬虫、学正则表达式，门槛吓人。其实现在有现成工具，核心就一行代码，不用懂网页结构也能抓。咱们这次用 Python 的 pandas 库，它有个专门读网页表格的函数，叫 read_html，特别适合新手。
先整一个练习用的小网页
为了让你马上能跑通，咱不联网，先在本机造一个带表格的网页文件。把下面的代码存成 make_demo.py 跑一次，文件夹里就会出现 demo.html：
# 造一个带表格的练习网页，跑一次就有 demo.html 了
html = """<html><body>
<table border="1">
<tr><th>商品</th><th>价格</th><th>库存</th></tr>
<tr><td>机械键盘</td><td>299</td><td>12</td></tr>
<tr><td>无线鼠标</td><td>99</td><td>40</td></tr>
<tr><td>高清显示器</td><td>899</td><td>5</td></tr>
</table>
</body></html>"""
open("demo.html", "w", encoding="utf-8").write(html)
print("demo.html 已生成，去文件夹里看一眼")
装一下要用的库，后面全靠它俩：pip install pandas openpyxl。openpyxl 是写 Excel 用的，缺了它会报错，别漏装。
核心其实就一行，把表格读成 Excel
真正的重头戏只有这三行，我把注释写清楚了：
import pandas as pd
df = pd.read_html("demo.html")[0] # [0] 表示拿网页里的第一张表
df.to_excel("商品表.xlsx", index=False) # index=False 不写多余的行号
print("搞定，共", len(df), "行，已存成 商品表.xlsx")
跑完去文件夹里打开 商品表.xlsx，是不是三行数据整整齐齐躺在里面了？这就是 RPA 的快感——你没动一下鼠标，数据自己就归位了。
来，写上完整能用的脚本
练习跑通了，咱们把它包成一个小函数，以后换个网页路径就能直接用，还带个找不到文件的提醒：
import pandas as pd
import os
def save_table(page_path, out_name="结果.xlsx", table_index=0):
if not os.path.exists(page_path):
print("找不到文件：", page_path)
return
tables = pd.read_html(page_path)
print(f"这张网页里一共找到 {len(tables)} 张表")
df = tables[table_index]
df.to_excel(out_name, index=False)
print(f"已存成 {out_name}，共 {len(df)} 行 × {len(df.columns)} 列")
# 直接跑：把 demo.html 搬成 Excel
save_table("demo.html", "商品表.xlsx")
一个网页里可能塞了好几张表，[0] 是第一张。要是你想要第二张、第三张，把 table_index 改成 1、2 就行。你可以试着改改看，体会一下这种自己掌控的感觉。
碰到 JS 动态加载的网页怎么办
上面这招对付"右键看源码里就有 <table>"的静态网页特别灵。可有些网站的数据是 JavaScript 跑完才显示出来的，你用 read_html 直接读文件，会扑个空——因为它读的是没渲染的空壳。这时候就得请浏览器先帮我们把页面"跑"出来。这里用 playwright，它相当于一个看不见的浏览器：
# 先装两样：pip install playwright，再跑一次 playwright install chromium
from playwright.sync_api import sync_playwright
import pandas as pd
url = "这里换成你要抓的网页地址"
with sync_playwright() as p:
browser = p.chromium.launch(headless=True)
page = browser.new_page()
page.goto(url, wait_until="networkidle") # 等页面安静下来，JS 渲染完
html = page.content() # 拿到渲染后的完整源码
browser.close()
tables = pd.read_html(html)
print("找到", len(tables), "张表")
tables[0].to_excel("真实数据.xlsx", index=False)
print("抓到了", len(tables[0]), "行，已存成 真实数据.xlsx")
wait_until="networkidle" 这句很关键，它让程序等到网络不再疯狂请求了才动手，表格基本就稳了。
想抓真实网站？把网址换掉就行
把上面 url 那行换成任何带表格的网页地址，比如某个商品列表页、排行榜页，就能抓真实数据了。不过说句掏心窝的话，抓别人网站前先看一眼对方的 robots.txt 和服务条款，别抓太狠——在代码里加个 page.wait_for_timeout(2000) 之类的小停顿，或者隔一会儿抓一次，既对人家服务器友好，也不容易把自己 IP 搞被封。要是中文乱码，读的时候加个编码：pd.read_html(html, encoding="utf-8")。
新手最常踩的 4 个坑
- read_html 报错说找不到表格：十有八九那个页面根本不是 <table> 画的，可能是 div 拼的假表格，这种得换别的办法，别死磕。
- 抓出来是空的：多半是 JS 动态加载，回到上一节的 playwright 方案，先渲染再读。
- 中文变成乱码方块：读的时候指定编码，比如 encoding="utf-8" 或 "gbk"，看网页本身用哪种。
- 一张网页好几张表，存错那张：先 print(len(tables)) 看看有几张，再调 table_index 选你要的那张，别上来就闷头用 [0]。
写在最后
你看，把网页表格搬进 Excel 这件事，从手抄一下午到三行代码搞定，中间只差一个 pandas.read_html。静态页用它，动态页加个 playwright，基本能cover你八成的"表格搬运"需求。下次再遇到想存下来的网页表格，别急着复制粘贴了，把今天的脚本翻出来改个路径试试。你平时最烦哪种重复搬运的活儿？评论区跟我说说，说不定下一篇就写它。