如何从嵌套列表中的字符串中剥离 html 元素，Python答案

【问题标题】：How to strip html elements from string in nested list, Python如何从嵌套列表中的字符串中剥离 html 元素，Python
【发布时间】：2022-12-20 21:05:23
【问题描述】：

我决定使用 BeautifulSoup 从 Pandas 列中提取字符串整数。 BeautifulSoup 适用于一个简单的示例，但不适用于 Pandas 中的列表列。我找不到任何错误。你能帮我吗？

输入：

df = pd.DataFrame({
    "col1":[["<span style='color: red;'>9</span>", "abcd"], ["a", "b, d"], ["a, b, z, x, y"], ["a, y","y, z, b"]], 
    "col2":[0, 1, 0, 1],
})

for list in df["col1"]:
    for item in list:
        if "span" in item:
            soup = BeautifulSoup(item, features = "lxml")
            item = soup.get_text()
        else:
            None  

print(df)

期望的输出：

df = pd.DataFrame({
        "col1":[["9", "abcd"], ["a", "b, d"], ["a, b, z, x, y"], ["a, y","y, z, b"]], 
        "col2":[0, 1, 0, 1],
    })

【问题讨论】：

标签： python html pandas beautifulsoup xml-parsing

【解决方案1】：

您正在尝试在系列中使用 for 循环进行迭代，但是在使用 Pandas 时，它更适合使用 apply 函数，并且更简单，如下所示：

def extract_text(lst):
    new_lst = []
    for item in lst:
        if "span" in item:
            new_lst.append(BeautifulSoup(item, features="lxml").text)
        else:
            new_lst.append(item)
            
    return new_lst

df['col1'] = df['col1'].apply(extract_text)

或者您可以使用列表推导式将其单行化：

df['col1'] = df['col1'].apply(
    lambda lst: [BeautifulSoup(item, features = "lxml").text if "span" in item else item for item in lst]
)

【讨论】：

【解决方案2】：

这会将 extract_integer 函数应用于 col1 列的每个元素，如果元素包含 "span" 标记，则将原始值替换为提取的整数，否则保持值不变。

def extract_integer(item):
    if "span" in item:
        soup = BeautifulSoup(item, features = "lxml")
        return soup.get_text()
    return item

df = pd.DataFrame({
    "col1":[["<span style='color: red;'>9</span>", "abcd"], ["a", "b, d"], ["a, b, z, x, y"], ["a, y","y, z, b"]], 
    "col2":[0, 1, 0, 1],
})

df["col1"] = df["col1"].apply(lambda x: [extract_integer(item) for item in x])

print(df)

输出：

               col1  col2
0         [9, abcd]     0
1         [a, b, d]     1
2   [a, b, z, x, y]     0
3   [a, y, y, z, b]     1

【讨论】：