環保專案成果書目之解讀

Table of contents

背景

這個 Python 腳本（rd_title.py）是用來從 HTML 檔案中提取特定的專案訊息，並將其儲存為一個 CSV 檔案。 這裡是腳本的主要步驟：

  1. 定義來源目錄和搜尋 HTML 檔案：
    • 設定 source_directory 為目前目錄 ("./")。
    • 使用 glob.glob 函數來尋找目前目錄下的所有 HTML 檔案。
  2. 初始化 Pandas DataFrame：
    • 建立一個空的 DataFrame df0。
    • 建立一個空的字典 gp_cat 用於儲存項目類別。
  3. 遍歷 HTML 檔案：
    • 遍歷每個 HTML 檔案。
    • 使用 BeautifulSoup 解析 HTML 內容。
  4. 提取資料：
    • 在每個 HTML 檔案中尋找所有帶有類別 download_icon 的 <a> 標籤。
    • 對於每個鏈接，提取 href 屬性，進而提取 proj_id 和 group_id。
    • 從連結的 title 屬性中提取項目標題。
    • 將擷取的資料儲存在一個字典中，並加入到 data_list 清單中。
  5. 轉換資料到 DataFrame 並合併：
    • 將 data_list 轉換為一個新的 DataFrame df。
    • 將 df 合併(concat)到初始的 df0 DataFrame 中。
  df = pd.DataFrame(data_list)
  combined_df = pd.concat([df0, df], ignore_index=True)
  1. 新增類別資訊並儲存 CSV 檔案：
    • 對於 df0 中的每個 group_id，從 gp_cat 字典中尋找對應的類別 cat 並加入 DataFrame 中。
    • 設定 proj_id 為 DataFrame 的索引。
    • 將 DataFrame 儲存為 CSV 檔案 env_prj.csv。

這個腳本主要用於從多個 HTML 文件中提取相關的連結信息，並將這些資訊匯總和格式化為一個結構化的 CSV 文件，以便於進一步的數據分析和處理。