如何使用pandas.read_html提取图片的img alt文本？

pandas.read_html默认只会抓取标签内的可见文本节点，不会自动提取img的alt属性值，直接调用的话拿不到目标内容。可以用以下两种方法解决：

方法一：预处理HTML，把img替换成alt文本 #

适合HTML结构简单的场景，先将img标签替换为对应的alt文本，再交给pandas解析：

import pandas as pd
import re

# 假设html_content是你爬取到的原始HTML字符串
html_content = '''<td>
<div>...
<a href="/index.php/WF..." title="WF"><img alt="WFrag" src="/images/thumb/WF.png" ></a>
</div>
</td>'''

# 用正则把<img alt="xxx">替换为xxx
processed_html = re.sub(r'<img alt="([^"]+)"[^>]*>', r'\1', html_content)

# 正常调用read_html解析
df = pd.read_html(processed_html)[0]

方法二：用BeautifulSoup先解析提取alt，再构建DataFrame #

如果HTML结构复杂，正则容易出错，就用BeautifulSoup先遍历提取目标内容，再转成DataFrame，更稳健：

import pandas as pd
from bs4 import BeautifulSoup

html_content = '''<table>
<tr>
<td>
<div>
<a href="/index.php/WF..." title="WF"><img alt="WFrag" src="/images/thumb/WF.png" ></a>
</div>
</td>
<td>普通文本</td>
</tr>
</table>'''

soup = BeautifulSoup(html_content, 'html.parser')
table = soup.find('table')

# 逐行提取数据
rows = []
for tr in table.find_all('tr'):
    row_data = []
    for td in tr.find_all('td'):
        # 查找当前td内的img标签
        img_tag = td.find('img')
        if img_tag and img_tag.get('alt'):
            row_data.append(img_tag['alt'])
        else:
            # 没有img则提取文本，自动去除多余空格
            row_data.append(td.get_text(strip=True))
    rows.append(row_data)

# 转换成DataFrame
df = pd.DataFrame(rows)

内容的提问来源于stack exchange，提问作者horace_vr