[python]pandasで読み込んだcsvのhtmlを削除したい

Question

#データフレームで読み込んだcsvの中にあるhtmlを削除したい

detail.csvというデータを読み込み、SP用説明文という内容のカラムを作りたいのですが、
商品説明文のカラムからhtmlを削除したものをSP用説明文に上書きしたく、
色々と試してみたのですがうまくいきません。

いい方法をご教示頂けますと幸いです。
よろしくお願いします。

import pandas as pd
import os

df = pd.read_csv('detail.csv',names=['型式', '商品名', '商品説明文', 'PC用販売' ,'SP用説明文' ,'在庫タイプ'] ,encoding='shift_jis')


df['SP用説明文'] =df['商品説明文'].text

Answer 1

htmlを削除

markdown記号が残っちゃいますがhtml2textを使うのがお手軽だと思います。
詳細はpython html to plaintextなどで検索してみてください。
様々な手法が出てきますが、よりpureなテキストを抽出するのはそれなりに面倒な感じです。

以下検証コードです。

import requests
import html2text

h2t = html2text.HTML2Text()
# リンク先URLや画像の代替文字列は不要
h2t.ignore_links = True
h2t.ignore_images = True

with open('ret.txt','w',encoding='utf-8') as f:
    for url in ['https://www.example.com/','https://www.google.co.jp/','https://www.yahoo.co.jp/']:
        f.write(url + ':-----\n')
        s = requests.get(url).text
        ret = h2t.handle(s)
        f.write(ret)

Comments

[Dadada_c.]

勉強になりました！ありがとうございます！