如何移除DataFrame指定列中的<p><br>等HTML转义标签仅保留正文

你需要分两步处理：先还原HTML转义字符，再移除所有HTML标签保留正文。可以用Python标准库html做转义还原，搭配BeautifulSoup做HTML标签提取，是兼容性最好的方案。

依赖安装 #

如果还没有安装对应的依赖，执行：

pip install pandas beautifulsoup4

实现代码 #

import pandas as pd
import html
from bs4 import BeautifulSoup

def clean_html_content(raw_str):
    # 还原所有HTML转义字符
    unescaped_str = html.unescape(raw_str)
    # 解析HTML提取纯文本
    soup = BeautifulSoup(unescaped_str, "html.parser")
    # 返回提取到的文本，strip=True可同时移除首尾多余空白
    return soup.get_text()

# 对Description列应用清理函数
df["Description"] = df["Description"].apply(clean_html_content)

轻量替代方案（无需安装BeautifulSoup） #

如果不想引入额外依赖，也可以用正则表达式完成标签清理，适合简单场景：

import pandas as pd
import html
import re

def clean_html_content(raw_str):
    unescaped_str = html.unescape(raw_str)
    # 正则匹配所有HTML标签并移除
    return re.sub(r"<[^>]*>", "", unescaped_str).strip()

df["Description"] = df["Description"].apply(clean_html_content)

以上两种方案都可以直接匹配你给出的样例输入，输出完全符合预期。

内容的提问来源于stack exchange，提问作者aditya