如何用Python Pandas高效提取HTML<a>标签中的文本内容？

方法一：正则表达式配合str.extract #

你之前的正则(>[A-Za-z])<仅能匹配单个字母，无法覆盖空格、符号等内容，改用可匹配>到</a>之间所有非<字符的正则即可解决问题：

import pandas as pd

# 假设HTML数据存储在DataFrame的`html`列中
df = pd.DataFrame({
    'html': [
        '<a href="http://twitter.com/download/iphone" rel="nofollow">Twitter for iPhone</a>',
        '<a href="http://twitter.com" rel="nofollow">Twitter Web Client</a>',
        '<a href="http://vine.co" rel="nofollow">Vine - Make a Scene</a>',
        '<a href="https://about.twitter.com/products/tweetdeck" rel="nofollow">TweetDeck</a>'
    ]
})

# 用正则提取>和<之间的所有非<字符，分组捕获目标文本
df['text'] = df['html'].str.extract(r'>([^<]+)<')
print(df['text'])

输出结果：

0    Twitter for iPhone
1    Twitter Web Client
2    Vine - Make a Scene
3              TweetDeck
Name: text, dtype: object

方法二：使用BeautifulSoup（更稳定的HTML解析方式） #

如果HTML结构存在变化（比如标签嵌套、属性顺序调整），正则容易失效，推荐用专门的HTML解析库BeautifulSoup，适配性更强：

先安装依赖库（未安装时执行）：

pip install beautifulsoup4

编写解析代码：

import pandas as pd
from bs4 import BeautifulSoup

df = pd.DataFrame({
    'html': [
        '<a href="http://twitter.com/download/iphone" rel="nofollow">Twitter for iPhone</a>',
        '<a href="http://twitter.com" rel="nofollow">Twitter Web Client</a>',
        '<a href="http://vine.co" rel="nofollow">Vine - Make a Scene</a>',
        '<a href="https://about.twitter.com/products/tweetdeck" rel="nofollow">TweetDeck</a>'
    ]
})

# 定义函数提取a标签内的文本
def get_a_text(html):
    soup = BeautifulSoup(html, 'html.parser')
    a_tag = soup.find('a')
    return a_tag.get_text(strip=True) if a_tag else None

# 批量处理列数据
df['text'] = df['html'].apply(get_a_text)
print(df['text'])

输出结果与方法一一致，该方法能应对更复杂的HTML场景，避免正则表达式的局限性。

内容的提问来源于stack exchange，提问作者Khola