如何移除DataFrame列中的HTML格式并转换为纯文本？

核心错误分析 #

你的代码存在两个关键问题：

• apply方法使用错误：df['col'].apply(cleanhtml(df['col'])) 是把函数调用的结果（整个Series对象）传给了apply，但apply需要传入的是函数本身，而非函数执行后的结果。
• 拼写错误：re.complile 应为 re.compile；return cleartext 应为 return cleantext，这些笔误会直接触发语法或命名错误。

修正后的基础版本代码 #

import re
# 修正正则编译的拼写错误
CLEANR = re.compile('<.*?>')

def cleanhtml(raw_html):
    # 统一转换为字符串，处理非字符串类型或空值
    cleantext = re.sub(CLEANR, '', str(raw_html))
    # 修正返回变量名的拼写错误
    return cleantext

# 正确使用apply：直接传入函数名，apply会自动遍历列的每个元素传入函数
df['col'] = df['col'].apply(cleanhtml)

更可靠的替代方案（推荐） #

正则表达式处理HTML标签容易遗漏嵌套标签、HTML实体等特殊情况，建议使用BeautifulSoup库解析HTML，结果更准确：

from bs4 import BeautifulSoup
import pandas as pd

def cleanhtml(raw_html):
    # 处理空值，避免传入None导致报错
    if pd.isna(raw_html):
        return ''
    # 使用BeautifulSoup提取纯文本，strip=True去除首尾空白
    soup = BeautifulSoup(str(raw_html), "html.parser")
    return soup.get_text(strip=True)

# 应用到DataFrame目标列
df['col'] = df['col'].apply(cleanhtml)

额外优化：批量处理多列 #

如果需要同时处理多个列，可以使用applymap方法：

# 对指定多列批量应用清洗函数
df[['col1', 'col2', 'col3']] = df[['col1', 'col2', 'col3']].applymap(cleanhtml)

内容的提问来源于stack exchange，提问作者reddwarfcrew