时间戳

首页 > 解决方案 > 如何合并重复的列以获得多行而不是多列或逗号分隔的数据到单个单元格中？

python - 如何合并重复的列以获得多行而不是多列或逗号分隔的数据到单个单元格中？

问题描述

我正在从 javascript 环境中抓取数据，并希望将预设的列作为输出，这些列中的多行填充了我从数据抓取中获得的值。如何将找到的值与预定义的列相关联，或者如何将具有相同名称的列合并到多行数据？

我正在抓取的数据是一个司法法院判决的数据库，它是公开的。

我研究了如何在 Pandas DataFrame 中合并列，但迄今为止最好的输出是合并它们并获得逗号分隔的数据，这对我的抓取目的毫无用处。

MWE：

from selenium import webdriver
from bs4 import BeautifulSoup
from openpyxl import Workbook
import numpy as np
import pandas as pd

url = "https://scon.stj.jus.br/SCON/legaplic/toc.jsp?materia=%27Lei+8.429%2F1992+%28Lei+DE+IMPROBIDADE+ADMINISTRATIVA%29%27.mat.&b=TEMA&p=true&t=&l=1&i=18&ordem=MAT,@NUM"

driver = webdriver.Firefox()
driver.implicitly_wait(30)
driver.get(url)

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div/div/div[3]/div[2]/div/div/div/div[16]/a')
python_button.click()

driver.switch_to.window(driver.window_handles[-1])

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div[1]/div/div[3]/div[2]/div/div/div/div[3]/div[2]/span[2]/a')
python_button.click()

driver.switch_to.window(driver.window_handles[-1])

textList = driver.find_elements_by_class_name("docTexto")

resultados = BeautifulSoup(driver.page_source, 'lxml')

parse = resultados.find('div', {'id':'listadocumentos'})
paragrafoBRS = parse.find_all('div',{'class':'paragrafoBRS'})

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div/div/div[3]/div[2]/div/div/div/form/div/a[2]')
python_button.click()

textList2 = driver.find_elements_by_class_name("docTexto")

resultados2 = BeautifulSoup(driver.page_source, 'lxml')

parse = resultados2.find('div', {'id':'listadocumentos'})
paragrafoBRS2 = parse.find_all('div',{'class':'paragrafoBRS'})

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div/div/div[3]/div[2]/div/div/div/form/div/a[4]')
python_button.click()

textList3 = driver.find_elements_by_class_name("docTexto")

resultados3 = BeautifulSoup(driver.page_source, 'lxml')

parse = resultados3.find('div', {'id':'listadocumentos'})
paragrafoBRS3 = parse.find_all('div',{'class':'paragrafoBRS'})

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div/div/div[3]/div[2]/div/div/div/form/div/a[4]')
python_button.click()

textList4 = driver.find_elements_by_class_name("docTexto")

resultados4 = BeautifulSoup(driver.page_source, 'lxml')

parse = resultados4.find('div', {'id':'listadocumentos'})
paragrafoBRS4 = parse.find_all('div',{'class':'paragrafoBRS'})

python_button = driver.find_element_by_xpath('/html/body/div[2]/div[6]/div/div/div[3]/div[2]/div/div/div/form/div/a[4]')
python_button.click()

textList5 = driver.find_elements_by_class_name("docTexto")

resultados5 = BeautifulSoup(driver.page_source, 'lxml')

parse = resultados5.find('div', {'id':'listadocumentos'})
paragrafoBRS5 = parse.find_all('div',{'class':'paragrafoBRS'})

header = []
content = []
for each in paragrafoBRS:
    header.append(each.find('h4', {'class':'docTitulo'}).text.strip())
    content.append(each.find(['div','pre'], {'class':'docTexto'}).text.strip())

for each in paragrafoBRS2:
    header.append(each.find('h4', {'class':'docTitulo'}).text.strip())
    content.append(each.find(['div','pre'], {'class':'docTexto'}).text.strip())

for each in paragrafoBRS3:
    header.append(each.find('h4', {'class':'docTitulo'}).text.strip())
    content.append(each.find(['div','pre'], {'class':'docTexto'}).text.strip())

for each in paragrafoBRS4:
    header.append(each.find('h4', {'class':'docTitulo'}).text.strip())
    content.append(each.find(['div','pre'], {'class':'docTexto'}).text.strip())

for each in paragrafoBRS5:
    header.append(each.find('h4', {'class':'docTitulo'}).text.strip())
    content.append(each.find(['div','pre'], {'class':'docTexto'}).text.strip())

    df = pd.DataFrame([content], columns = header)

df.to_excel('dados.xlsx')

driver.quit()

我希望将数据抓取到具有以下列的 Excel DataFrame：

每行将代表从 javascript 环境中获得的决策数据库中的一个文档。

当我得到这个输出时，我还希望我得到用相关列填充的单元格，当该列没有数据时，得到一个 NaN 结果，保留文档行。

实际输出是一个 Excel DataFrame，它有 391 列，而不是 11 列，1 行数据，重复上述列 41 次。

下面的代码演示了有关文档 1 的信息，您可以通过 h3 id "DOC1" 看到。

我希望每个 DOC 都匹配一行。

您还可以看到，docTitulo 对应于列名，docTexto 对应于行的内容。

<div style="position: relative;">
<h3><a href="javascript:;" id="DOC1">Documento 1</a></h3>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Processo</h4>
<div class="docTexto">
AgInt no AREsp 739451 / RJ<br>AGRAVO INTERNO NO AGRAVO EM RECURSO ESPECIAL<br>2015/0161439-6
</div>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Relator(a)</h4>
<pre class="docTexto">Ministro BENEDITO GONÇALVES (1142)</pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Órgão Julgador</h4>
<pre class="docTexto">T1 - PRIMEIRA TURMA</pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Data do Julgamento</h4>
<pre class="docTexto">26/02/2019</pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Data da Publicação/Fonte</h4>
<pre class="docTexto">DJe 26/03/2019</pre>
</div>

<div class="paragrafoBRS">
<a name="EMEN"></a>
<h4 class="docTitulo">Ementa</h4>
<pre class="docTexto">PROCESSO  CIVIL.  AGRAVO  INTERNO  NO  AGRAVO  EM  RECURSO ESPECIAL.
VIOLAÇÃO  DO  ART. 535 DO CPC/1973. AUSÊNCIA DE ARGUMENTAÇÃO. SÚMULA
284/STF.  DEFICIÊNCIA  NA ARGUMENTAÇÃO RECURSAL.SÚMULA 284/STF. AÇÃO
CIVIL  PÚBLICA POR ATO DE IMPROBIDADE ADMINISTRATIVA. RECEBIMENTO DA
PETIÇÃO  INICIAL.  ANÁLISE  DO  ELEMENTO  SUBJETIVO.  NECESSIDADE DE
INSTRUÇÃO  PROCESSUAL.  PRESENÇA  DE  INDÍCIOS DE ATO DE IMPROBIDADE
ADMINISTRATIVA  EXPRESSAMENTE  RECONHECIDOS PELO TRIBUNAL DE ORIGEM.
REEXAME DE MATÉRIA FÁTICO PROBATÓRIA. IMPOSSIBILIDADE. SÚMULA 7/STJ.
1. O recurso não demonstra, com transparência e precisão, qual seria
o  ponto  omisso, contraditório ou obscuro do acórdão recorrido, não
se conhecendo da alegada violação do art. 535 do CPC/1973.
Incidência, por analogia, do entendimento da Súmula 284/STF.
2.  Aplica-se  a  Súmula 284/STF quanto à alegada violação dos arts.
9º,  10, 11 e 17, § 6º, da Lei nº 8.429/1992, tendo em vista que não
desenvolveu a parte agravante argumentos para demonstrar de que modo
tais dispositivos foram ofendidos.
3.  O  indeferimento da petição inicial da ação civil de improbidade
administrativa somente é cabível nos casos que o magistrado entender
inexistente  o  suposto ato de improbidade, da improcedência da ação
ou  a  inadequação da via eleita, hipóteses não configuradas no caso
concreto.
4.  Rever o entendimento do acórdão recorrido ensejaria o reexame do
conjunto fático-probatório da demanda, providência vedada em sede de
recurso especial, ante a Súmula 7/STJ.
5. Agravo interno não provido.</pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo">Acórdão</h4>
<pre class="docTexto">Vistos,  relatados  e discutidos os autos em que são partes as acima
indicadas,  acordam  os  Ministros  da  Primeira  Turma  do Superior
Tribunal  de Justiça prosseguindo o julgamento, por maioria, vencido
o Sr. Ministro Napoleão Nunes Maia Filho, negar provimento ao agravo
interno,  nos  termos do voto-vista do Sr. Ministro Relator. Os Srs.
Ministros  Sérgio  Kukina, Regina Helena Costa (Presidente) e Gurgel
de Faria votaram com o Sr. Ministro Relator.</pre>
</div>

<div class="paragrafoBRS">

<h4 class="docTitulo" onmouseover="mostra_help('Indexacao1')" onmouseout="esconde_help('Indexacao1');" style="cursor: pointer; text-decoration: underline;">Informações Complementares à Ementa (ICE)</h4>
<div id="helpIndexacao1" class="helpbox" style="display: none">

<object data="/docs_internet/jurisprudencia/ajuda/TextoInformacoesAdicionais.htm" class="tpin6"></object>

</div>

<pre class="docTexto">     "A conclusão alcançada pela Corte a quo está em consonância com
a orientação deste Tribunal Superior sobre o tema, a qual autoriza o
recebimento   da  petição  inicial  da  ação  civil  de  improbidade
administrativa,  na  hipótese da presença de indícios de cometimento
de  atos  enquadrados  na  Lei  de  Improbidade  Administrativa. Com
efeito, na fase inicial prevista no art. 17 e §§ 7º, 8º e 9º, da Lei
nº  8.429/1992,  vigora o princípio do in dubio pro societate, a fim
de possibilitar o maior resguardo do interesse público".
     "[...],  deve  ser considerada prematura a extinção do processo
com  julgamento  de  mérito,  tendo em vista não existirem elementos
fáticos ou probatório suficientes para um juízo conclusivo acerca da
demanda, tampouco quanto a efetiva presença do elemento subjetivo do
suposto ato de improbidade administrativa, o qual exige, em regra, a
regular instrução processual".
     (VOTO VENCIDO) (MIN. NAPOLEÃO NUNES MAIA FILHO)
     "Verdadeiramente, é preciso que o libelo acusatório, assim como
as  decisões  judiciais  que  venham  a permitir o trâmite das ações
sancionadoras,  apontem com precisão os indícios mínimos da autoria,
cumplicidade,  participação,  ainda  que de somenos importância. Daí
porque   a   expressão   in  dubio  pro  societate,  cuja  origem  é
desconhecida,  deveria  ser  banida  das decisões que tratam da fase
inaugural  das  ações  de  improbidade, por nada dizer a respeito da
potencial autoria do fato que se repute ímprobo".</pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo"
    onmouseover="mostra_help('ReferenciasLegislativas1')"
    onmouseout="esconde_help('ReferenciasLegislativas1');"
    style="cursor: pointer; text-decoration: underline;">Referência Legislativa</h4>
<div id="helpReferenciasLegislativas1" class="helpbox" style="display: none">
    <object data="/docs_internet/jurisprudencia/ajuda/TextoReferenciasLegislativas.htm" class="helpReferenciasLegislativas"></object>
</div>
<pre class="docTexto"><a target="_blank" href="/SCON/include/linkPlanalto.jsp?tipo=LEI&numero=005869&ano=1973">LEG:FED <span class="tooltip">LEI<span class="tooltiptext">LEI ORDINÁRIA</span></span>:005869 ANO:1973</a><br>*****  CPC-73      CÓDIGO DE PROCESSO CIVIL DE 1973<br>        ART:00535<br><br>LEG:FED <span class="tooltip">SUM<span class="tooltiptext">SÚMULA</span></span>:****** ANO:****<br>*****  SUM(STF)    SÚMULA DO SUPREMO TRIBUNAL FEDERAL<br>        SUM:000284<br><br><a target="_blank" href="/SCON/include/linkPlanalto.jsp?tipo=LEI&numero=008429&ano=1992">LEG:FED <span class=highlightBrs>LEI:008429</span> ANO:1992</a><br>*****  LIA-92      <span class=highlightBrs>LEI DE IMPROBIDADE</span> ADMINISTRATIVA<br>        ART:00009   <span class=highlightBrs>ART:00010   ART:00011   ART:00017   PAR:00006</span><br>        PAR:00007   PAR:00008   PAR:00009<br><br>LEG:FED <span class="tooltip">SUM<span class="tooltiptext">SÚMULA</span></span>:****** ANO:****<br>*****  SUM(STJ)    SÚMULA DO SUPERIOR TRIBUNAL DE JUSTIÇA<br>        <a href="javascript:AbrirDocumento('/SCON/sumanot/toc.jsp?livre=(sumula+adj+7).sub.','SU');" >SUM:000007</a></pre>
</div>

<div class="paragrafoBRS">
<h4 class="docTitulo" onmouseover="mostra_help('Veja1')"
    onmouseout="esconde_help('Veja1');" style="cursor: pointer; text-decoration: underline;">Jurisprudência Citada</h4>
<div id="helpVeja1" class="helpbox" style="display: none">
    <object data="/docs_internet/jurisprudencia/ajuda/TextoVeja.htm" class="helpVeja"></object>
</div>

<pre class="docTexto">(PROCESSUAL CIVIL - AÇÃO DE IMPROBIDADE ADMINISTRATIVA -<br>INDEFERIMENTO DA PETIÇÃO INICIAL - HIPÓTESES)<br>     STJ - <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('AINTARESP'.clas.+e+@num='910840')+ou+('AGINT NO ARESP'+adj+'910840'.suce.))&thesaurus=JURIDICO&fr=veja" class="">AgInt no AREsp 910840</a>-RN, <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('RESP'.clap.+e+@num='1192758')+ou+('RESP'+adj+'1192758'.suce.))&thesaurus=JURIDICO&fr=veja" class="">REsp 1192758</a>-MG<br>(PROCESSUAL CIVIL - AÇÃO DE IMPROBIDADE ADMINISTRATIVA - PREMATURA<br>EXTINÇÃO DO PROCESSO COM JULGAMENTO DE MÉRITO - NECESSIDADE DA<br>INSTRUÇÃO PROCESSUAL)<br>     STJ - <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('AIEDARESP'.clas.+e+@num='925670')+ou+('AGINT NOS EDCL NO ARESP'+adj+'925670'.suce.))&thesaurus=JURIDICO&fr=veja" class="">AgInt nos EDcl no AREsp 925670</a>-MG,<br>           <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('AGARESP'.clas.+e+@num='400779')+ou+('AGRG NO ARESP'+adj+'400779'.suce.))&thesaurus=JURIDICO&fr=veja" class="">AgRg no AREsp 400779</a>-ES<br>(PROCESSUAL CIVIL - AÇÃO DE IMPROBIDADE ADMINISTRATIVA - PRESENÇA DE<br>INDÍCIOS DE PRÁTICA DE ATO DE IMPROBIDADE - REEXAME DE PROVA)<br>     STJ - <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('AGARESP'.clas.+e+@num='706071')+ou+('AGRG NO ARESP'+adj+'706071'.suce.))&thesaurus=JURIDICO&fr=veja" class="">AgRg no AREsp 706071</a>-SP, <a href="/SCON/jurisprudencia/toc.jsp?i=1&b=ACOR&livre=(('AGRESP'.clas.+e+@num='1281089')+ou+('AGRG NO RESP'+adj+'1281089'.suce.))&thesaurus=JURIDICO&fr=veja" class="">AgRg no REsp 1281089</a>-MG</pre>
</div>

</div>

<hr>

标签： pythonpandasseleniumdataframe

解决方案

推荐阅读