Python从邮件提取表格写入CSV，移除\r\n等特殊字符

嗨，很高兴能帮到你！看起来你已经成功抓取到邮件里的表格数据了，只是卡在清理特殊字符和规整格式这一步——这对新手来说太正常啦，别担心😉

问题根源 #

你当前用item.text直接获取单元格内容时，邮件HTML里的换行符（\r、\n）、多余空白，还有邮件编码残留的奇怪字符（比如你看到的=p>）都被保留了下来，导致内容分散、格式混乱。

解决方案：先清理文本，再调整格式 #

我们可以写一个专门的文本清理函数，把这些干扰字符去掉，再根据表格的实际结构调整输出格式。

1. 编写文本清理函数

这个函数会帮你移除换行符、多余空白，以及邮件里的奇怪编码残留：

def clean_text(text):
    # 移除\r和\n换行符
    cleaned = text.replace('\r', '').replace('\n', '')
    # 去除首尾空白，同时把多个连续空格合并成一个
    cleaned = ' '.join(cleaned.split())
    # 清理邮件里的奇怪残留（比如=p>）
    cleaned = cleaned.replace('=p>', '')
    return cleaned

2. 修改表格数据提取逻辑

把原来的列表推导式改成用清理函数处理每个单元格的内容：

# 替换原来的tab_data生成代码
tab_data = [[clean_text(item.text) for item in row_data.select("td")] for row_data in table_tag.select("tr")]

3. 调整格式匹配预期结果

从你给出的当前结果来看，邮件里的表格可能是竖排结构（每行一个表头+对应值），而你需要的是横排的CSV格式。我们可以把表头和对应值分组整理：

# 先收集所有非空的表头和数据
all_cells = [cell for row in tab_data for cell in row if cell]
# 观察到表头有9项（Quick No.到Additional Information），所以每9个单元格为一组
headers = all_cells[:9]
# 按每组9个数据拆分并写入CSV
for i in range(9, len(all_cells), 9):
    data_row = all_cells[i:i+9]
    writer.writerow(data_row)

完整修改后的代码示例

from bs4 import BeautifulSoup

def clean_text(text):
    cleaned = text.replace('\r', '').replace('\n', '')
    cleaned = ' '.join(cleaned.split())
    cleaned = cleaned.replace('=p>', '')
    return cleaned

for emailid in items:
    # 获取邮件内容
    resp, data = m.fetch(emailid, '(UID BODY[TEXT])')
    text = str(data[0][1])
    tree = BeautifulSoup(text, "lxml")
    table_tag = tree.select("table")[0]
    
    # 提取并清理表格数据
    tab_data = [[clean_text(item.text) for item in row_data.select("td")] for row_data in table_tag.select("tr")]
    
    # 整理成横排格式并写入CSV
    all_cells = [cell for row in tab_data for cell in row if cell]
    if len(all_cells) >= 9:
        # 可选：先写入表头
        writer.writerow(all_cells[:9])
        # 按每组9个数据拆分写入
        for i in range(9, len(all_cells), 9):
            data_row = all_cells[i:i+9]
            writer.writerow(data_row)
        # 打印验证结果
        print("表头:", ' '.join(all_cells[:9]))
        for i in range(9, len(all_cells), 9):
            print("数据行:", ' '.join(all_cells[i:i+9]))

额外提示 #

如果清理后还是有奇怪的字符，可以试试用正则表达式更全面地过滤：

import re
def clean_text(text):
    cleaned = text.replace('\r', '').replace('\n', '')
    # 只保留字母、数字、空格和常见标点
    cleaned = re.sub(r'[^\w\s.,/-]', '', cleaned)
    cleaned = ' '.join(cleaned.split())
    return cleaned

你可以先运行带clean_text的代码，看看字符清理的效果，如果格式还是不符合预期，可以把print(table_tag)输出的HTML结构贴出来，这样能更精准地调整数据排列逻辑~

内容的提问来源于stack exchange，提问作者Chambo