如何将HTML表格内容转换为Plotly Dash HTML组件字典？

我用Mammoth工具将Word文件转换为HTML表格，表格包含近100个条目及其多段落定义。需要将其转换为Python字典：以条目名为键，值为html.Div包裹多个html.P组成的Dash HTML组件，方便按条目名搜索。

示例HTML表格片段 #

<tr>
        <td>
            <p>Item 1</p>
        </td>
        <td>
            <p>Definition for Item 1.</p>
            <p>This may contain several paragraphs.</p>
        </td>
</tr>
<tr>
        <td>
            <p>Item 2</p>
        </td>
        <td>
            <p>Definition for Item 2.</p>
            <p>This may contain several paragraphs.</p>
            <p>And another paragraph here.</p>
        </td>
</tr>

目标字典结构 #

items_dict = {
   'Item 1': html.Div([
        html.P("Definition for Item 1."),
        html.P("This may contain several paragraphs."),
    ]),
    'Item 2': html.Div([
        html.P("Definition for Item 2."),
        html.P("This may contain several paragraphs."),
        html.P("And another paragraph here."),
    ]),
}

解决方案 #

实现步骤 #

• 使用BeautifulSoup解析HTML内容，遍历表格的每一行<tr>
• 提取每行第一个<td>内的<p>文本作为字典的键（条目名）
• 提取每行第二个<td>内的所有<p>文本，生成对应的html.P组件列表，再用html.Div包裹作为字典的值
• 处理文本中的空白字符，保证内容整洁

完整代码示例 #

from bs4 import BeautifulSoup
from dash import html

# 替换为Mammoth转换得到的完整HTML表格内容
html_content = """
<table>
<tr>
        <td>
            <p>Item 1</p>
        </td>
        <td>
            <p>Definition for Item 1.</p>
            <p>This may contain several paragraphs.</p>
        </td>
</tr>
<tr>
        <td>
            <p>Item 2</p>
        </td>
        <td>
            <p>Definition for Item 2.</p>
            <p>This may contain several paragraphs.</p>
            <p>And another paragraph here.</p>
        </td>
</tr>
</table>
"""

# 解析HTML
soup = BeautifulSoup(html_content, "html.parser")
items_dict = {}

# 遍历所有表格行
for tr in soup.find_all("tr"):
    tds = tr.find_all("td")
    if len(tds) != 2:
        continue  # 跳过结构不符合的行
    
    # 提取条目名（第一个td下的p标签文本）
    item_name = tds[0].find("p").get_text(strip=True)
    
    # 提取所有定义段落，生成html.P组件列表
    definition_paragraphs = []
    for p in tds[1].find_all("p"):
        text = p.get_text(strip=True)
        if text:  # 跳过空段落
            definition_paragraphs.append(html.P(text))
    
    # 存入字典
    if item_name and definition_paragraphs:
        items_dict[item_name] = html.Div(definition_paragraphs)

# 验证结果
print(items_dict.keys())

注意事项 #

• 如果HTML中存在嵌套格式标签（如<b>、<i>），可保留标签结构，将标签转换为对应的Dash组件传入html.P的子元素，而非仅提取纯文本
• 若Mammoth转换的HTML包含额外冗余标签，可根据需求调整BeautifulSoup的提取逻辑
• 针对近100条数据，该方案处理效率足够，无需额外优化

内容的提问来源于stack exchange，提问作者dpppstl