使用Pandas read_html读取HTML表格时如何保留单元格原始HTML格式？

Pandas的pd.read_html()默认会提取表格的文本内容，自动解析HTML实体和标签，所以会丢失原始的HTML结构（比如上标<sup>、特殊字符实体×）。要保留原始HTML内容，需要手动用BeautifulSoup解析HTML文件：

步骤1：手动解析HTML并保留原始单元格内容 #

直接使用BeautifulSoup遍历HTML中的表格，提取每个单元格的原始HTML字符串，再转换为DataFrame：

from bs4 import BeautifulSoup
import pandas as pd

# 读取HTML文件（注意指定正确的编码，避免乱码）
with open('report.htm', 'r', encoding='utf-8') as f:
    soup = BeautifulSoup(f.read(), 'html.parser')

# 收集所有表格的DataFrame
tables = []
for table in soup.find_all('table'):
    # 遍历表格的每一行
    row_list = []
    for tr in table.find_all('tr'):
        # 提取当前行所有单元格（包含<th>和<td>）的原始HTML
        cell_htmls = [str(cell) for cell in tr.find_all(['th', 'td'])]
        row_list.append(cell_htmls)
    # 将行数据转为DataFrame，第一行作为表头
    df = pd.DataFrame(row_list[1:], columns=row_list[0]) if len(row_list) > 1 else pd.DataFrame(row_list)
    tables.append(df)

补充说明 #

• 运行上述代码后，每个单元格存储的是原始HTML字符串（比如5×10<sup>-5</sup>），完全保留了原有的标签和实体。
• 如果需要将HTML实体转换为普通字符（比如×转成×），可以用html.unescape()方法处理单元格内容：

  import html
  df['目标列'] = df['目标列'].apply(html.unescape)
  

内容的提问来源于stack exchange，提问作者Michael