如何在Pandas DataFrame列中提取所有带<li>标签的子串？

要提取DataFrame列中所有<li>与</li>标签及其内容并拼接成字符串，推荐使用正则表达式的re.findall方法，它能匹配所有符合规则的实例并保留标签。

修正后的代码示例 #

import pandas as pd
import re

data = {
    'ID': ['1', '2'],
    'Description': ['blah blah <li>Point 1</li>blah blah<li>Point 2</li>blah blah blah', 'blah<li>Point1</li>blah<li>Point 2</li>']}

df = pd.DataFrame(data)

def extract_li_tags(text):
    # 非贪婪匹配所有<li>...</li>内容，包含标签本身
    li_matches = re.findall(r'<li>.*?</li>', text, re.DOTALL)
    return ''.join(li_matches)

df['output'] = df['Description'].apply(extract_li_tags)
print(df)

代码说明 #

• 正则表达式r'<li>.*?</li>'：
  • <li>和</li>精准匹配标签边界
  • .*?采用非贪婪模式，确保匹配到最近的</li>，避免一次性匹配到文本末尾的</li>
  • re.DOTALL参数让.能匹配换行符，兼容包含换行的<li>内容
• re.findall会返回所有匹配的列表，用''.join()将列表拼接成连续字符串，得到期望的输出格式

运行结果 #

ID                                        Description                                  output
0  1  blah blah <li>Point 1</li>blah blah<li>Point 2...  <li>Point 1</li><li>Point 2</li>
1  2            blah<li>Point1</li>blah<li>Point 2</li>  <li>Point1</li><li>Point 2</li>

内容的提问来源于stack exchange，提问作者Lee Roy