如何根据交替排列的标题与文本内容创建指定格式的DataFrame

实现方案 #

使用BeautifulSoup解析HTML提取所有段落文本，再按标题、文本交替出现的规则分组后构建DataFrame即可，具体操作如下：

首先安装所需依赖（已安装可跳过）：
pip install pandas beautifulsoup4

完整实现代码：

import pandas as pd
from bs4 import BeautifulSoup

# 此处可替换为从本地HTML文件读取的内容
html_content = """
<p>Heading 1</p>
<p>Some text here</p>
<p>Heading 2</p>
<p>Some text here</p>
<p>Heading 3</p>
<p>Some text here</p>
"""

# 解析提取所有p标签的文本
soup = BeautifulSoup(html_content, "html.parser")
all_p_text = [p.get_text(strip=True) for p in soup.find_all("p")]

# 按规则拆分：索引偶数为标题，索引奇数为对应文本
df = pd.DataFrame({
    "Heading": all_p_text[::2],
    "text": all_p_text[1::2]
})

# 打印验证结果
print(df)

如果需要从本地HTML文件读取内容，将html_content赋值部分替换为以下代码即可：

with open("你的本地HTML文件路径.html", "r", encoding="utf-8") as f:
    html_content = f.read()

运行后输出的df结构如下：

内容的提问来源于stack exchange，提问作者arathi