从 df 变量中提取 HTML 信息答案

【问题标题】：Extract HTML information from df variable从 df 变量中提取 HTML 信息
【发布时间】：2021-08-12 22:07:21
【问题描述】：

尊敬的 stackoverflow 社区，

这是我第一次在这里提问。希望你能让我放松一下。这是一个问题的描述：

我使用 ogr2org 将 KML 文件转换为 CSV
ogr2ogr -f CSV output.csv 'some KML file'.kml
然后我在 pandas 中读取 csv 文件
data = pd.read_csv('output.csv')

删除一些奇怪的列后，我最终得到以下结果：

In[1]: data.head(8)
Out[1]: 
                                          description   ID
0   <div class="googft-info-window">\n<b>ID:</b> 1...   1
1   <div class="googft-info-window">\n<b>ID:</b> 1...   10
2   <div class="googft-info-window">\n<b>ID:</b> 1...   100
3   <div class="googft-info-window">\n<b>ID:</b> 1...   1000
4   <div class="googft-info-window">\n<b>ID:</b> 1...   10000
5   <div class="googft-info-window">\n<b>ID:</b> 1...   10001
6   <div class="googft-info-window">\n<b>ID:</b> 1...   10002
7   <div class="googft-info-window">\n<b>ID:</b> 1...   10003

description变量下的代表字符串如下：

    <div class=""googft-info-window"">
    <b>ID:</b> 1<br>
    <b>class:</b> 1<br>
    <b>fold:</b> 5
    </div>

我的问题是如何从“描述”列中提取干净的信息并将其添加到同一行，使用所有 <b>...<\b> 作为列名。

谢谢。附言请让我知道我将来如何改进我的问题。

【问题讨论】：

标签： html pandas kml

【解决方案1】：

您可以将str.extractall 与...一起使用

df[['ID1', 'class', 'fold']] = df['description'].str.extractall(r'</b>\s?(\d+)<').unstack()

或str.findall 类似这样的东西......

df[['ID1', 'class', 'fold']] = df['description'].str.findall(r'</b>\s?(\w+)<', expand=True)

这些基于...的字符串

<div class=""googft-info-window""><b>ID:</b> 1<br><b>class:</b> 1<br><b>fold:</b> 5</div>

使用正则表达式匹配您需要从字符串中提取的三个值，并将其传递到= 符号左侧的三个新列。

正则表达式：https://regex101.com/r/wVl2cI/1

这是假设您只有三个值要查找并且 HTML 都是相同的。

输出（示例）：

    description             ID1    class    fold
0   <div class=""googft-..  1      1        1
1   <div class=""googft-..  1      1        1
2   <div class=""googft-..  5      5        5

【讨论】：