如何在Jupyter中使用Python合并多个HTML文件为一个？

和处理Excel结构化数据的逻辑不同，HTML属于文档型内容，需要针对其文本或DOM结构来实现合并，以下是几种实用思路：

1. 直接读取文本拼接（快速简单） #

适合不需要复杂结构处理的场景，比如合并多个HTML片段，或提取完整HTML的主体内容进行拼接：

import os

data_folder = 'C:\\Users\\hhhh\\Desktop\\test'
merged_parts = []

# 初始化合并后的HTML基础结构
merged_parts.append('<!DOCTYPE html><html><head><title>合并结果</title></head><body>')

for file in os.listdir(data_folder):
    if file.endswith('.html'):
        print(f'加载文件 {file}...')
        file_path = os.path.join(data_folder, file)
        with open(file_path, 'r', encoding='utf-8') as f:
            content = f.read()
            # 提取<body>标签内的内容，避免重复的根结构
            start_pos = content.find('<body>') + len('<body>')
            end_pos = content.rfind('</body>')
            if start_pos != -1 and end_pos != -1:
                content = content[start_pos:end_pos]
            merged_parts.append(content)

# 补充HTML尾部
merged_parts.append('</body></html>')

# 保存合并后的文件
with open(os.path.join(data_folder, 'merged.html'), 'w', encoding='utf-8') as f:
    f.write('\n'.join(merged_parts))

2. 用BeautifulSoup结构化合并（安全可靠） #

如果需要严格保证HTML结构的合法性，避免标签嵌套错误，可以用BeautifulSoup处理DOM树：

from bs4 import BeautifulSoup
import os

data_folder = 'C:\\Users\\hhhh\\Desktop\\test'
# 创建一个空的基础HTML结构
merged_soup = BeautifulSoup('<html><head><title>合并结果</title></head><body></body></html>', 'html.parser')
target_body = merged_soup.body

for file in os.listdir(data_folder):
    if file.endswith('.html'):
        print(f'加载文件 {file}...')
        file_path = os.path.join(data_folder, file)
        with open(file_path, 'r', encoding='utf-8') as f:
            current_soup = BeautifulSoup(f.read(), 'html.parser')
            # 将当前文件<body>内的所有元素添加到合并后的<body>中
            for element in current_soup.body.contents:
                if element.strip():  # 跳过空内容节点
                    target_body.append(element)

# 保存结果
with open(os.path.join(data_folder, 'merged_soup.html'), 'w', encoding='utf-8') as f:
    f.write(str(merged_soup))

3. 基于模板的合并（规整美观） #

如果需要给合并后的页面添加统一的样式、导航或章节划分，可以用Jinja2模板引擎：
先在Jupyter中安装依赖：

!pip install jinja2

然后执行合并代码：

from jinja2 import Template
import os

data_folder = 'C:\\Users\\hhhh\\Desktop\\test'
section_list = []

for file in os.listdir(data_folder):
    if file.endswith('.html'):
        print(f'加载文件 {file}...')
        file_path = os.path.join(data_folder, file)
        with open(file_path, 'r', encoding='utf-8') as f:
            content = f.read()
            # 提取<body>内的内容
            start_pos = content.find('<body>') + len('<body>')
            end_pos = content.rfind('</body>')
            if start_pos != -1 and end_pos != -1:
                content = content[start_pos:end_pos]
            section_list.append({
                'title': file.replace('.html', ''),
                'content': content
            })

# 定义合并模板，可自定义样式和结构
template = Template('''
<!DOCTYPE html>
<html>
<head>
    <title>合并文档</title>
    <style>
        .section { margin: 2rem auto; padding: 1rem; max-width: 1000px; border-bottom: 1px solid #eee; }
        .section h2 { color: #2c3e50; }
    </style>
</head>
<body>
    {% for sec in section_list %}
    <div class="section">
        <h2>{{ sec.title }}</h2>
        {{ sec.content }}
    </div>
    {% endfor %}
</body>
</html>
''')

# 渲染模板并保存
merged_html = template.render(section_list=section_list)
with open(os.path.join(data_folder, 'merged_template.html'), 'w', encoding='utf-8') as f:
    f.write(merged_html)

和Excel处理逻辑的区别 #

你之前处理Excel的代码是读取结构化表格数据，将多个DataFrame拼接；而HTML是非结构化的文档内容，无法直接用类似pd.read_excel的方式读取后拼接，必须针对文本或DOM结构做处理。

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