从df变量中提取HTML信息 [英] Extract HTML information from df variable

问题描述

亲爱的堆栈溢出社区

这是我第一次在这里提问。希望你能放我一马。 以下是对问题的描述：

1. 我使用ogr2org将KML文件转换为CSV
   ogr2ogr -f CSV output.csv 'some KML file'.kml
2. 然后我读入了 pandas 的CSV文件
   data = pd.read_csv('output.csv')

3. 删除一些奇怪的专栏后，我的结果如下：

In[1]: data.head(8)
Out[1]: 
                                          description   ID
0   <div class="googft-info-window">
<b>ID:</b> 1...   1
1   <div class="googft-info-window">
<b>ID:</b> 1...   10
2   <div class="googft-info-window">
<b>ID:</b> 1...   100
3   <div class="googft-info-window">
<b>ID:</b> 1...   1000
4   <div class="googft-info-window">
<b>ID:</b> 1...   10000
5   <div class="googft-info-window">
<b>ID:</b> 1...   10001
6   <div class="googft-info-window">
<b>ID:</b> 1...   10002
7   <div class="googft-info-window">
<b>ID:</b> 1...   10003

4. 说明变量下的代表性字符串如下：

    <div class=""googft-info-window"">
    <b>ID:</b> 1<br>
    <b>class:</b> 1<br>
    <b>fold:</b> 5
    </div>

我的问题是如何使用所有<b>...<>作为一个列名从"Description"列中提取干净的信息并将其添加到同一行。

谢谢。 附注：请告诉我将来如何改进我的问题。

推荐答案

您可以将str.extractall与...

df[['ID1', 'class', 'fold']] = df['description'].str.extractall(r'</b>s?(d+)<').unstack()

或str.findall类似于...

df[['ID1', 'class', 'fold']] = df['description'].str.findall(r'</b>s?(w+)<', expand=True)

它们基于类似于...

的字符串

<div class=""googft-info-window""><b>ID:</b> 1<br><b>class:</b> 1<br><b>fold:</b> 5</div>

正则表达式匹配您需要从字符串中提取的三个值，并传递给=符号左侧的三个新列。

正则表达式：https://regex101.com/r/wVl2cI/1

这是假定您只有三个要查找的值，并且HTML都是相同的。

输出(示例)：

    description             ID1    class    fold
0   <div class=""googft-..  1      1        1
1   <div class=""googft-..  1      1        1
2   <div class=""googft-..  5      5        5

这篇关于从df变量中提取HTML信息的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！