如何在使用pandas时忽略标签中的内容。阅读html?

熊猫建议的问题

在调用此函数后,需要进行一些清理。

是因为它删除了标记,所以进行适当清理所需的信息丢失了。

我看到的唯一解决方案是作为预处理步骤清理HTML。你可以用 lxml.html.clean.Cleaner 为了这个目的。作为起点,你可以尝试以下方法:

from lxml.html.clean import Cleaner


def clean_html(raw_html):
    cleaner = Cleaner(remove_tags=["sup"])
    return cleaner.clean_html(raw_html).decode("utf-8")

然后在中使用清理过的HTML pd.read_html 。您可能需要使用清洁器的其他设置来保留/清洁所需的内容。