删除熊猫中的html标签

Question

我在 Python 3.5.1 上使用 Pandas 库。如何从字段值中删除 html 标签？这是我的输入和输出：

我的代码返回了一个错误：

import pandas as pd

code=[1,2,3]
overview =['<p>Environments subject.</p>',
          '<ul><li> property ;</li></ul><ul><li>markets and exchange;</li></ul>',
          '<p class="MsoNormal" style="margin: 0cm 0cm 0pt;">']
# '<p class="SSPBodyText" style="padding: 0cm; text-align: justify;">The subject.</p>']
df= pd.DataFrame(overview,code)

df.columns = ['overview']
df['overview_copy'] = df['overview']

# print(df)

tags_list = ['<p>' ,'</p>' , '<p*>',
             '<ul>','</ul>',
             '<li>','</li>',
             '<br>',
             '<strong>','</strong>',
             '<span*>','</span>',
             '<a href*>','</a>',
             '<em>','</em>']

for tag in tags_list:
#     df['overview_copy'] = df['overview_copy'].str.replace(tag, '')
  df['overview_copy'].replace(to_replace=tag, value='', regex=True, inplace=True)
print(df)

Answer 1

熊猫的方式是使用Series.str.replace：

df['overview_copy'] = df['overview_copy'].str.replace(r'<[^<>]*>', '', regex=True)

细节：

• <- 一个<字符
• [^<>]*- 零个或多个字符并且<尽可能>多
• >- 一个>字符。

请参阅正则表达式演示。

熊猫输出：

>>> df['overview_copy']
1               Environments subject.
2     property ;markets and exchange;
3                                    
Name: overview_copy, dtype: object
>>> 

Answer 2

像这样 re.sub('<[^<]+?>', '', text)

你可以在那里找到详细的答案。