如何从Outlook邮件HTML表格提取数据并生成指定格式DataFrame？

问题出在你的代码未处理HTML表格的colspan属性，导致解析时跨列单元格被当作单个单元格，与数据行的5列无法对齐，最终所有单元格被扁平化输出成1×24的结构。

完整修复代码 #

import win32com.client
from bs4 import BeautifulSoup
import pandas as pd

# 1. 连接Outlook并获取目标邮件HTML内容
outlook = win32com.client.Dispatch("Outlook.Application").GetNamespace("MAPI")
# 替换为你的目标文件夹路径（示例：收件箱下的"每周报表"文件夹）
target_folder = outlook.GetDefaultFolder(6).Folders("每周报表")
# 按接收时间倒序取最新邮件，如需遍历所有邮件可调整逻辑
messages = target_folder.Items
messages.Sort("[ReceivedTime]", True)
latest_msg = messages.GetFirst()
html_content = latest_msg.HTMLBody

# 2. 解析HTML表格并处理跨列逻辑
soup = BeautifulSoup(html_content, "html.parser")
target_table = soup.find("table")  # 假设仅存在一个目标表格，多表格需额外判断
target_col_count = 5  # 数据行的目标列数
table_rows = []

for tr in target_table.find_all("tr"):
    cells = tr.find_all(["th", "td"])
    processed_row = []
    for cell in cells:
        colspan = int(cell.get("colspan", 1))
        cell_text = cell.get_text(strip=True)
        # 区分表头和数据单元格处理跨列：表头文本放首个单元格，其余补空；数据行直接保留文本
        if cell.name == "th":
            processed_row.append(cell_text)
            processed_row += [""] * (colspan - 1)
        else:
            processed_row.append(cell_text)
    # 强制每行保持5列，多余截断、不足补空
    processed_row = processed_row[:target_col_count] + [""] * max(0, target_col_count - len(processed_row))
    table_rows.append(processed_row)

# 3. 构建DataFrame并导出
df = pd.DataFrame(table_rows[1:], columns=table_rows[0])
print(f"生成的DataFrame形状：{df.shape}")  # 应输出 (4,5)，对应5×5结构（表头+4行数据）
df.to_excel("weekly_report.xlsx", index=False)

关键修复说明 #

• 处理colspan：手动展开跨列单元格，针对首列跨2列的表头，将文本放在第一列，第二列补空，确保表头行与数据行的5列结构对齐。
• 统一列数：强制每行保留5列，避免因表格结构不一致导致的列数混乱。
• 多表格适配：如果邮件存在多个表格，可通过表格内的特定关键词定位目标表格，示例：

  # 定位包含指定表头文本的表格
  for table in soup.find_all("table"):
      if "跨列表头" in table.get_text():
          target_table = table
          break
  

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