如何用BeautifulSoup提取表格caption或summary值作为Excel工作表名

你原代码的问题有两处：

1. 遍历表格提取caption后，额外执行了titles = []把已经收集到的标题清空了
2. 用find_all获取caption标签返回的是列表对象，没有提取标签内的文本内容，也没有加summary属性的兜底逻辑
   同时需要额外处理Excel工作表名称的限制：不能超过31个字符，不能包含\ / ? * [ ]这些特殊字符

下面是修改后可直接运行的完整代码：

import pandas as pd
import requests
from bs4 import BeautifulSoup
from pandas import ExcelWriter
import re

url = 'https://zoek.officielebekendmakingen.nl/kst-35570-2.html'
page = requests.get(url)
soup = BeautifulSoup(page.text, 'html.parser')

# 同时获取表格df和对应的原始table标签对象
tables_df = pd.read_html(url, attrs = {'class': 'kio2 portrait'})
tables = soup.find_all('table', class_="kio2 portrait")

sheet_names = []
for table in tables:
    # 优先取caption文本
    caption_tag = table.find("caption", class_="table-title")
    if caption_tag and caption_tag.text.strip():
        title = caption_tag.text.strip()
    else:
        # 兜底取summary属性
        title = table.get("summary", "").strip()
    # 还是没拿到标题就用默认命名
    if not title:
        title = f"表格_{len(sheet_names)+1}"
    # 处理Excel不允许的特殊字符
    title = re.sub(r'[\\/:*?"<>|]', '_', title)
    # 处理长度限制，最多31个字符
    title = title[:31]
    sheet_names.append(title)

writer = pd.ExcelWriter('output.xlsx')
for df, sheet_name in zip(tables_df, sheet_names):
    df.to_excel(writer, index=True, sheet_name=sheet_name)
writer.save()

• 标题提取优先级：caption标签文本 > table标签的summary属性 > 自动生成的默认命名
• 自动过滤Excel工作表名称的非法字符，自动截断超长名称，避免导出报错

内容的提问来源于stack exchange，提问作者Tobias