我有一個 df 列，其中有很多標簽。我想把它們清理干凈。
df['text_col'].tolist()
['n</li></ul>',
'<p> bla bla bla </p>',
'bla bla </b>, </li>, <li>, </ul>',
'bla bla <strong>bla </strong>: <h3> </h3>, <ul>,<b> </p>']
我看到了兩種清潔方法。
- 創建我在文本中找到的所有標簽的串列，然后用空字串 '' 替換它們（維護串列可能很費力）
- 洗掉 < 和 > 標記中的任何內容的一些邏輯。
我不知道除了 str 替換之外的任何其他方式.. 但它并沒有完全按照我上面的解釋。
df["text_col"].str.replace("</p>"," ")
如何洗掉所有標簽并清理 text_col？
uj5u.com熱心網友回復：
經過一番環顧，這是我發現的：
import re
x=['n</li></ul>',
'<p> bla bla bla </p>',
'bla bla </b>, </li>, <li>, </ul>',
'bla bla <strong>bla </strong>: <h3> </h3>, <ul>,<b> </p>']
for item in x:
item = re.sub("<.*?>|,|:", "", item)
item=' '.join(item.split())
print(item)
輸出：
n
bla bla bla
bla bla
bla bla bla
我再次編輯了我的答案以進一步完善它。這絕對應該回答你的問題。感謝正則運算式:)。
轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/494625.html
上一篇：將dict合并到串列中