pandas আৰু Requests ব্যৱহাৰ কৰি প্ৰক্সিৰ মাজেৰে CSV পঢ়া

যেতিয়া HTTP পথটোত স্পষ্ট প্ৰক্সি নিয়ন্ত্ৰণ লাগে, প্ৰথমে CSV আনক আৰু ফলস্বৰূপ বাইটবোৰ pandas-এ চম্ভালিবলৈ দিয়ক:

from io import BytesIO
import pandas as pd
import requests

route = {
    'http': 'http://proxy.example:8080',
    'https': 'http://proxy.example:8080',
}
with requests.get(
    'https://data.example/report.csv',
    proxies=route,
    timeout=(5, 30),
) as response:
    response.raise_for_status()
    frame = pd.read_csv(BytesIO(response.content), encoding='utf-8')

প্ৰক্সিয়ে পৰিবহন চম্ভালে; HTTP প্ৰক্সি তালিকায়ে ৰাজহুৱা HTTP পথৰ বাবে এণ্ডপইণ্ট প্ৰাৰ্থী যোগান ধৰে। pandas-এ ফাইলৰ দৰে বস্তু লাভ কৰি ইয়াৰ স্বাভাৱিক delimiter, column, encoding আৰু data-type বিকল্প প্ৰয়োগ কৰে।

পাৰ্চিং কৰাৰ আগতে HTTP ফলাফল পৰীক্ষা কৰিলে স্পষ্ট HTTP ত্ৰুটি বডি টেবুল হিচাপে গণ্য হোৱাৰ পৰা ৰক্ষা পায়। অপ্ৰত্যাশিত সমলো চাওক: লগইন বা নীতি পৃষ্ঠাই 200 ঘূৰাইও অনুৰোধ কৰা CSVৰ সলনি HTML হ'ব পাৰে।

HTTP URLৰ বাবে read_csv-ৰ storage_options অনুৰোধ শিৰোনামা হিচাপে পঠিওৱা হয়। সেই ইণ্টাৰফেচ Requests-শৈলীৰ proxies মেপিং নহয়।

এটা বাফাৰত সংকোচন অনুমান কৰিবলৈ আৰ্কাইভ ফাইলনাম নাথাকে। সংগ্ৰহ কৰা পেলোডৰ প্ৰয়োজন হ'লে compression নিৰ্দিষ্ট কৰক। একে আগতে-আনা ব্যৱস্থা read_excel আৰু বাইট বাফাৰৰ সৈতে কাম কৰে, সেই বিন্যাসৰ উপযুক্ত স্প্ৰেডশ্বিট ইঞ্জিন ব্যৱহাৰ কৰি।

এই উদাহৰণে সম্পূৰ্ণ সঁহাৰি মেমৰিত ৰাখে। ডাঙৰ এক্সপৰ্টৰ বাবে, ইয়াক পৰিচালিত স্থানীয় ফাইললৈ ষ্ট্ৰিম কৰক আৰু সেই ফাইল পাৰ্চ কৰক, ডাটা কৰ্মপ্ৰবাহে সমৰ্থন কৰিলে চাংকিং কৰি।