Соскоб из Википедии - нужна помощь, чтобы структурировать

Question

Я пытаюсь почистить эту страницу Википедии .

Я столкнулся с некоторыми проблемами и был бы признателен за вашу помощь:

1. Некоторые строки имеют более одного имени или ссылки, и я хочу, чтобы все они были назначены для правильной страны.Могу ли я это сделать в любом случае?

2. Я хочу пропустить столбец «Имя (родной)».Как я могу это сделать?

3. Если я очищаю столбец «Имя (родной)».Я получаю некоторую тарабарщину, есть ли в любом случае, чтобы закодировать это?

import requests
from bs4 import BeautifulSoup
import csv
import pandas as pd

url = 'https://en.wikipedia.org/wiki/List_of_government_gazettes'
source = requests.get(url).text

soup = BeautifulSoup(source, 'lxml')
table = soup.find('table', class_='wikitable').tbody

rows = table.findAll('tr')

columns = [col.text.encode('utf').replace('\xc2\xa0','').replace('\n', '') for col in rows[1].find_all('td')]
print(columns)

Answer 1

Вы можете использовать функцию панд read_html и получить вторую DataFrame из списка DataFrames:

url = 'https://en.wikipedia.org/wiki/List_of_government_gazettes'
df = pd.read_html(url)[1].head()
print (df)
       Country/region                                              Name  \
0              Albania       Official Gazette of the Republic of Albania   
1              Algeria                                  Official Gazette   
2              Andorra  Official Bulletin of the Principality of Andorra   
3  Antigua and Barbuda              Antigua and Barbuda Official Gazette   
4            Argentina     Official Gazette of the Republic of Argentina   

                                 Name (native)                    Website  
0  Fletorja Zyrtare E Republikës Së Shqipërisë                 qbz.gov.al  
1                   Journal Officiel d'Algérie              joradp.dz/HAR  
2     Butlletí Oficial del Principat d'Andorra                www.bopa.ad  
3         Antigua and Barbuda Official Gazette    www.legalaffairs.gov.ag  
4    Boletín Oficial de la República Argentina  www.boletinoficial.gob.ar 

Если при проверке выводится проблемная строка 26,потому что неправильные данные также на вики-странице.

Решение должно быть установлено значение по имени столбца и строки:

df.loc[26, 'Name (native)'] = np.nan