【发布时间】：2021-09-05 21:17:06
【问题描述】：
我正在尝试将 word 文档 .docx 转换为数据框。这些 docx 文件首先使用以下内容转换为 HTML：
#fill path in function
path = os.chdir('C:jan_2021')
filename = "newsupdatedocx"
regex = '\xc2\xb7'
with open(filename, "rb") as docx_file:
result = mammoth.convert_to_html(docx_file)
text = result.value # The raw text
text2=re.sub(u'[|•●]', " ", text, count= 0)
with open('output.txt', 'w', encoding='utf-8') as text_file:
text_file.write(text2)
这提供了以下 HTML 输出：
print(prettify)
<html>
<body>
<p>
Newsupdate of date 01-01-2021
</p>
<h1>
Header - worldwide news - category nr 1.
</h1>
<h2>
Header - title of article nr. 1
</h2>
<p>
Source: economist, google, NYTimes
</p>
<ul>
<li>
First bullet point related to article 1
</li>
<li>
Second bullet point
</li>
</p>
</body>
如您所见，将文档转换为 HTML 为它提供了一个可以相应分析的结构。现在我想将其转换为数据框。我想从所有元素中创建一个列表，以便遍历列表并检查它是列表项中的 <h1> 元素还是 <h2> 元素。最终，我想要一个数据框，其中包含以下列：日期、新闻类型、文章标题、列表项之前的来源，最后是项目（要点）。
第一步是将所有元素转换为列表，那么是否有某个函数可以将这个HTML转换为列表？
【问题讨论】：
-
您可以使用beautifulsoup 将html table 转换为pandas dataframe。
-
问题是，不幸的是它没有找到任何表。 word文件不是表格格式，它有一个简单的自上而下的结构，没有任何列。