如何从pandas dataframe的HTML格式行数据中提取指定结构化字段

你的每行原始数据是带HTML转义实体的标签片段，需要先还原转义字符，再分别提取人名、描述信息两个目标字段，完整处理流程如下：

首先导入依赖库：

import pandas as pd
import re
import html

第一步先还原HTML转义实体，把<、>这类转义符还原为正常的<、>符号：

# 假设存储原始脏数据的列名为raw_content
df['raw_content'] = df['raw_content'].apply(html.unescape)

第二步分别提取两个目标字段：

# 提取name字段：匹配</h2>前的人名内容，将分隔斜杠替换为逗号，清理多余空格
df['name'] = df['raw_content'].str.extract(r'^(.*?)</h2>', expand=False, flags=re.S)\
                              .str.replace(r'\s*/\s*', ', ', regex=True)\
                              .str.strip()

# 提取information字段：匹配<p>标签后的描述内容，清理首尾空白
df['information'] = df['raw_content'].str.extract(r'<p>(.*)$', expand=False, flags=re.S)\
                                     .str.strip()

如果仅需要保留处理后的结果字段，可执行以下代码过滤：

df = df[['name', 'information']]

上述代码可直接兼容你提供的示例数据，处理后输出的结果和你要求的格式完全匹配。

内容的提问来源于stack exchange，提问作者matheus james