如何使用pandas pd.read_html()将HTML转Dataframe时保留多余空格？

pd.read_html默认会合并文本中的连续空格，这是因为它遵循HTML的默认渲染规则（连续空白字符会被合并为一个）。要保留这些空格，有两种可行的方案：

方案一：预处理HTML，替换连续空格为非换行空格实体 #

利用正则表达式把HTML中的连续空格替换成HTML非换行空格实体 （等价于 ），这样解析时会保留空格的数量：

import pandas as pd
import re

# 你的原始HTML内容
html = """<table>
<tr>
   <td>35</td>
   <td>Juan  Cruz</td>
</tr>
<tr>
   <td>23</td>
   <td>Philip   Philips</td>
</tr>
</table>"""

# 正则替换：把2个及以上的连续空格替换为对应数量的&#160;
processed_html = re.sub(r'(\s{2,})', lambda match: '&#160;' * len(match.group(1)), html)

# 解析处理后的HTML
df = pd.read_html(processed_html)[0]
print(df)

方案二：用BeautifulSoup手动解析表格，精准控制文本提取 #

绕过pd.read_html的默认解析逻辑，直接用BeautifulSoup提取表格内容，手动保留连续空格：

import pandas as pd
from bs4 import BeautifulSoup

html = """<table>
<tr>
   <td>35</td>
   <td>Juan  Cruz</td>
</tr>
<tr>
   <td>23</td>
   <td>Philip   Philips</td>
</tr>
</table>"""

# 初始化BeautifulSoup解析器
soup = BeautifulSoup(html, 'lxml')
table = soup.find('table')

# 逐行逐单元格提取内容，保留中间连续空格
table_data = []
for row in table.find_all('tr'):
    cells = row.find_all('td')
    # 提取每个单元格的文本，仅去除首尾的缩进/换行，保留中间连续空格
    row_content = [cell.get_text(strip=False).strip('\n\t ') for cell in cells]
    table_data.append(row_content)

# 转换为DataFrame
df = pd.DataFrame(table_data)
print(df)

两种方案都能实现保留文本中的连续空格，方案二更灵活，适合复杂HTML结构的场景；方案一操作简单，适合结构简单的表格。

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