从 html 表制作数据框时，可以在 pandas read_html 中保留换行符吗？

Question

我正在尝试使用 pandas read_html 将抓取的 HTML 表转换为 python 中的数据框。问题是read_html 将我的一列数据不间断地引入，这使得这些单元格的内容难以解析。在原始 HTML 中，列中的每个“单词”都由一个中断分隔。有没有办法在转换为数据框时保持这种格式或保持“单词”分开？

import requests
from bs4 import BeautifulSoup
import pandas as pd

url="https://www.who.int/en/activities/tracking-SARS-CoV-2-variants/"
html_content = requests.get(url).text

# Parse the html content
soup = BeautifulSoup(html_content, "lxml")

voc_html = soup.find("table")

#convert to dataframe
voc_df = pd.read_html(str(voc_html))[0]

#retain list of variants
voc_list=voc_df['Pango lineages']

来自voc_list 的示例，其中单独的项目被混合在一起： voc_list[1]

`B.1.351\xa0B.1.351.2B.1.351.3`

我希望它看起来像什么：B.1.3510 B.1.351.2 B.1.351.3（或将每个项目放在自己的行中）

摘自包含中断的原始 html 版本：

<td style="width:13%;background-color:#69d4ef;text-align:left;vertical-align:middle;">Beta <br/></td><td style="width:12.9865%;background-color:#69d4ef;text-align:left;"><p>B.1.351 <br/>B.1.351.2<br/>B.1.351.3</p></td>

感谢您的指导！

Answer 1

也许……

import pandas as pd
import requests

url = r'https://www.who.int/en/activities/tracking-SARS-CoV-2-variants/'

page = requests.get(url)
table = pd.read_html(page.text.replace('<br />',' '))
df = table[0]

输出：

  WHO label               Pango lineages GISAID clade Nextstrain clade  \
0     Alpha                      B.1.1.7          GRY         20I (V1)   
1      Beta  B.1.351 B.1.351.2 B.1.351.3   GH/501Y.V2         20H (V2)   
2     Gamma              P.1 P.1.1 P.1.2   GR/501Y.V3         20J (V3)   
3     Delta          B.1.617.2 AY.1 AY.2    G/478K.V1              21A   

  Additional amino acid changes monitored* Earliest documented samples  \
0                          +S:484K +S:452R    United Kingdom, Sep-2020   
1                                  +S:L18F      South Africa, May-2020   
2                                  +S:681H            Brazil, Nov-2020   
3                                  +S:417N             India, Oct-2020   

                Date of designation  
0                       18-Dec-2020  
1                       18-Dec-2020  
2                       11-Jan-2021  
3  VOI: 4-Apr-2021 VOC: 11-May-2021 
    print(df)

同样，您可以将<br /> 替换为\n。