Python新手求助：提取邮件HTML表格合并为Pandas DataFrame并导出Excel

核心思路 #

先将每个邮件中的HTML表格解析为结构一致的DataFrame，再通过Pandas的合并函数将所有DataFrame拼接成一个统一表格，最后导出到Excel。

分步实现 #

1. 标准化单个邮件表格的解析

• 用pandas.read_html()解析HTML表格，该函数返回DataFrame列表，单表格场景取第一个元素即可。
• 统一列名：不同邮件的表格列名可能存在大小写、空格差异，提前标准化列名（比如转小写、替换空格为下划线）。
• 对齐列结构：提前定义目标列名，对每个解析后的DataFrame进行列重排，缺失列用NaN填充。

2. 合并所有DataFrame

使用pd.concat()将所有标准化后的DataFrame合并，设置ignore_index=True重置全局索引，避免索引冲突。

完整示例代码 #

import pandas as pd
import numpy as np
import win32com.client
from bs4 import BeautifulSoup  # 可选，用于清理复杂HTML

# 初始化Outlook连接
outlook = win32com.client.Dispatch("Outlook.Application").GetNamespace("MAPI")
target_folder = outlook.GetDefaultFolder(6)  # 6对应收件箱，可替换为你的目标文件夹
messages = target_folder.Items

# 存储处理后的DataFrame列表
processed_dfs = []
# 定义目标列结构（根据你的实际表格列名调整）
target_cols = ['order_id', 'customer_name', 'order_amount', 'order_date']

for msg in messages:
    # 仅处理HTML格式的邮件
    if msg.BodyFormat != 2:
        continue
    
    try:
        # 清理HTML（可选，应对嵌套/复杂表格）
        soup = BeautifulSoup(msg.HTMLBody, 'html.parser')
        table_tag = soup.find('table')  # 取第一个表格
        if not table_tag:
            print(f"邮件 {msg.Subject} 未找到表格，跳过")
            continue
        
        # 解析表格为DataFrame
        table_df = pd.read_html(str(table_tag))[0]
        
        # 标准化列名
        table_df.columns = [col.strip().lower().replace(' ', '_') for col in table_df.columns]
        
        # 对齐目标列，缺失列补NaN
        table_df = table_df.reindex(columns=target_cols, fill_value=np.nan)
        
        # 添加到列表
        processed_dfs.append(table_df)
    except Exception as e:
        print(f"处理邮件 {msg.Subject} 失败: {str(e)}")
        continue

# 合并所有DataFrame
final_df = pd.concat(processed_dfs, ignore_index=True)

# 导出到Excel
final_df.to_excel("邮件表格汇总.xlsx", index=False)

注意事项 #

• 如果邮件表格存在多行表头，可在pd.read_html()中指定header参数（比如pd.read_html(str(table_tag), header=1)[0]）。
• 若部分表格结构差异过大（比如列数完全不同），可在代码中添加判断逻辑过滤这类表格，避免合并出错。

内容的提问来源于stack exchange，提问作者Dante