删除 pandas 中的 html 标签

Posted 2023-02-23

【中文标题】删除 pandas 中的 html 标签

【英文标题】：Removing html tags in pandas

【发布时间】：2018-02-10 11:17:04

【问题描述】：

我在 Python 3.5.1 上使用 pandas 库。如何从字段值中删除 html 标签？这是我的输入和输出：

我的代码返回错误：

import pandas as pd

code=[1,2,3]
overview =['<p>Environments subject.</p>',
          '<ul><li> property ;</li></ul><ul><li>markets and exchange;</li></ul>',
          '<p class="MsoNormal" style="margin: 0cm 0cm 0pt;">']
# '<p class="SSPBodyText" style="padding: 0cm; text-align: justify;">The subject.</p>']
df= pd.DataFrame(overview,code)

df.columns = ['overview']
df['overview_copy'] = df['overview']

# print(df)

tags_list = ['<p>' ,'</p>' , '<p*>',
             '<ul>','</ul>',
             '<li>','</li>',
             '<br>',
             '<strong>','</strong>',
             '<span*>','</span>',
             '<a href*>','</a>',
             '<em>','</em>']

for tag in tags_list:
#     df['overview_copy'] = df['overview_copy'].str.replace(tag, '')
  df['overview_copy'].replace(to_replace=tag, value='', regex=True, inplace=True)
print(df)

【问题讨论】：

df的定义抛出如下错误：ValueError: Shape of passed values is (1, 3), indices imply (1, 2)。

你是对的。我修好了。

【参考方案1】：

喜欢re.sub('<[^<]+?>', '', text)

您可以找到详细答案there。

【讨论】：

df.overview_copy = df.overview_copy.str.replace('', '') # 使用正则表达式去除html标签。

【参考方案2】：

Pandas 方式是使用Series.str.replace:

df['overview_copy'] = df['overview_copy'].str.replace(r'<[^<>]*>', '', regex=True)

详情：

< - 一个 < 字符 [^<>]* - 比< 和> 尽可能多的零个或多个字符 > - > 字符。

请参阅regex demo。

熊猫输出：

>>> df['overview_copy']
1               Environments subject.
2     property ;markets and exchange;
3                                    
Name: overview_copy, dtype: object
>>>