從一組HTML文件中提取表格內容的最佳方式是什麼？

Question

使用TIDY清理完整個HTML文件的文件夾後，如何提取表格內容以供進一步處理？

Answer 1

取決於你想要做什麼樣的處理。您可以告訴Tidy生成XHTML，這是一種XML，這意味着您可以在結果中使用所有常用的XML工具，如XSLT和XQuery。

如果你要處理他們在Microsoft Excel，那麼你應該能夠切片表與HTML，並把它放在一個文件，然後打開該文件在Excel中：它可以轉化HTML表中一個電子表格頁面。然後，您可以將其另存爲CSV或Excel工作簿等（您甚至可以在Web服務器上使用此工具 - 返回一個HTML表格，但將Content-Type標題設置爲application/ms-vnd.excel：將打開Excel並導入表格並將其轉換爲電子表格）。

如果你想CSV在喂到一個數據庫，那麼你可以通過Excel作爲之前去，或者，如果你想自動執行的過程，你可以寫一個使用的導航XML的API程序你選擇迭代表格行並將它們保存爲CSV。 Python的Elementtree和CSV模塊將使這非常容易。

Answer 2

我已經使用BeautifulSoup在過去這樣的事情取得了巨大的成功。

Answer 3

在.NET中，您可以使用HTMLAgilityPack。

有關更多信息，請參閱StackOverflow上的此previous question。

Answer 4

如果你想從HTML標記中提取內容，你應該使用某種類型的HTML解析器。爲此有很多在那裏，這裏有兩個可能適合您的需要：

http://jtidy.sourceforge.net/
http://htmlparser.sourceforge.net/

Answer 5

在審查了建議後，我使用HtmlUnit清盤。

用的HtmlUnit，我能夠自定義的Java代碼來打開該文件夾中的每個HTML文件，瀏覽到該表標籤， 查詢每列的內容，並提取我需要創建一個CSV文件中的數據。

Answer 6

迭代通過文字，並使用正則表達式:)

http://www.knowledgehouse.sg