read_html 返回空列表主因是仅解析原始html中的规范标签，若表格由js渲染、藏于注释或display:none中则无法获取；需先查源码确认存在性。
read_html 为什么经常返回空列表？
因为 read_html 默认只解析 <table> 标签，且要求 HTML 结构“相对规范”：比如不能嵌套在 <code><div style="display:none"> 里，不能是 JS 渲染后才插入的表格。遇到空列表，先用浏览器「查看页面源代码」确认 <code><table> 标签是否真实存在于原始 HTML 中——如果源码里没有，<code>read_html 就无能为力。
常见干扰项包括：
- 表格由 Vue/React 渲染，源码中只有占位
<div id="app"></div> - 表格被包裹在
<script type="text/html"></script>或注释块里 - 使用了
colspan/rowspan过度复杂的合并单元格（部分版本 pandas 解析失败）
如何指定要提取的第几个表格？
read_html 总是返回 list，哪怕页面只有一个 <table>。别直接取 <code>df = pd.read_html(url)[0] 就完事——容易错拿广告栏或隐藏统计表。
稳妥做法：
- 先运行
tables = pd.read_html(url)，然后print(len(tables))看总数 - 逐个检查：例如
tables[2].head()，观察列名、数据特征是否匹配目标 - 用
match参数缩小范围：pd.read_html(url, match="订单编号|商品名称")，它会正则匹配表格内任意文本（不是 table 标签名）
注意：match 对大小写敏感，中文需确保编码一致；若匹配到多个表格，仍返回列表，只是长度可能变短。
表格有合并标题行或无表头，怎么处理？
默认情况下，read_html 把第一行当列名（header=0），但很多网页表格首行是“2024年销售汇总”这类大标题，真正字段名在第二或第三行。
关键参数组合：
-
header=[0,1]：把前两行合并为 MultiIndex 列名（适合分级表头） -
skiprows=1：跳过首行再找 header，配合header=0使用 -
header=None：强制不设列名，返回纯数字列索引，后续用df.columns = ["A","B"]手动赋值 -
encoding="gb18030"：遇到中文乱码时必加，尤其国内政府网站常用 GBK 系列编码
示例：pd.read_html(url, encoding="gb18030", skiprows=1, header=0) —— 适用于首行为标题、第二行为字段名的常见政务表格。
为什么 DataFrame 里全是 NaN 或类型错误？
这是 read_html 的隐式类型推断惹的祸。它会自动把看起来像数字的字符串转成 float64，结果把带单位的“12.5万元”变成 NaN，或把“2024-03”识别成日期后填进不存在的日期列。
解决方式：
- 加
dtype=str强制全转字符串：pd.read_html(url, dtype=str)，后续再按需用.str.replace清洗 - 对特定列控制类型：
dtype={"成交价": str, "数量": "int64"} - 禁用自动解析：
converters={"成交价": lambda x: x}，绕过内置转换逻辑
另外，含大量空单元格的表格，na_values 参数可扩展识别为缺失值的字符串，比如 na_values=["--", "暂无", "-"]。
真正难的不是调用 read_html，而是判断它“为什么没拿到想要的那张表”——得习惯先看源码、再试参数、最后查 pandas 版本兼容性。0.25.3 之前对 rowspan 支持极差，1.5+ 又改了 match 的默认行为，这些细节不踩一遍坑很难记住。
