pandas.read_html能自动解析HTML表格并修复合并单元格、多级表头等结构，但需合理配置match、header、skiprows等参数，并处理JS渲染、数据类型、空值等问题，否则易导致列错位、类型错误等隐患。
因为 pandas.read_html 能直接把 HTML 表格转成 DataFrame，省去手动遍历 DOM、提取行列、对齐结构的麻烦——前提是表格语义清晰、嵌套不深。
为什么不用 BeautifulSoup 单独解析复杂表格？
BeautifulSoup 擅长抓取任意标签，但面对带合并单元格（rowspan/colspan）、多层表头（<thead> 套 <tr> 套 <th>）、嵌套 <table> 的页面时，你需要自己处理：行列索引映射、空单元格填充、跨行标题广播。稍有疏漏，df.shape 就对不上，列名错位、数据偏移是常态。
而 pandas.read_html 内部用 lxml 或 html5lib 解析后，会自动尝试还原逻辑表格结构，对常见合并场景做启发式修复（比如把 colspan=2 的表头拆成两个同名列，或用元组构造 MultiIndex）。
常见错误现象：
立即学习“Python免费学习笔记（深入）”；
-
ValueError: Found non-unique columns: ['name', 'name']—— 表头重复且没处理header参数 - 返回空列表
[]—— 页面 JS 渲染，read_html拿不到原始 HTML；或表格在<div>里被 CSS 隐藏，但标签仍存在 - 数值列变成字符串，含千分位逗号或货币符号 ——
converters没配，也没开thousands=','
read_html 的关键参数怎么选？
它不是“一键解析万能表”，参数选错照样翻车：
-
match：用正则匹配<table>的id、class或文本内容，比靠索引attrs={'class': 'data-table'}更稳 -
header：指定哪一行作列名，默认0；多级表头传[0, 1]，会生成MultiIndex -
skiprows：跳过前 N 行（比如表头上面的说明行），比手动切片df.iloc[1:]更早介入解析流程 -
flavor：默认'html5lib'兼容性最好；若报错ImportError，换'lxml'（需额外装lxml）
示例：解析带“单位”副标题的两行表头
dfs = pd.read_html(html, header=[0, 1], skiprows=1, match='资产负债表')
# 返回列表，取第一个 df = dfs[0]
# 列名变成 ('流动资产', '货币资金') 这样的元组
遇到 JS 渲染表格怎么办？
read_html 只吃静态 HTML，页面靠 fetch 或 Vue.render 动态注入表格时，必须先获取渲染后 HTML：
- 用
selenium或playwright启动浏览器，等document.querySelectorAll('table')出现后再page.content() - 更轻量：查 Network 面板，找 XHR/Fetch 请求地址，直接请求接口（如
/api/financial?year=2025），返回 JSON 就用pd.DataFrame(res['data']) - 绝对避免：把
driver.page_source丢给read_html前不确认<table>标签已存在 —— 经常拿到的是 loading 状态的空 div
导出前记得检查 dtype 和空值
爬下来的表格常混着字符串和数字，read_html 默认不强制类型推断：
-
df.dtypes里看到一堆object？用pd.to_numeric(df['金额'], errors='coerce')转数字，错的变NaN - 空单元格可能被读成
'-'、'—'、'N/A'、''，提前用na_values参数声明：read_html(..., na_values=['-', '—', 'N/A']) - 日期列识别失败？加
parse_dates=['交易日期']，再用df['交易日期'].dt.normalize()归一化
真正麻烦的从来不是“能不能解析”，而是“解析出来的结构是否可靠”。read_html 省了 70% 的 DOM 处理代码，但剩下 30% 的清洗逻辑（类型、空值、单位、精度）必须亲手过一遍——漏掉任何一环，下游分析就埋雷。
