从一组HTML文件中提取表格内容的最佳方法是什么？

Question

用TIDY清理一个装满HTML文件的文件夹后，如何提取表格内容以便进一步处理？

Answer 1

我过去曾经使用过BeautifulSoup取得了巨大的成功。

Answer 2

取决于您想要做什么样的处理。您可以告诉Tidy生成XHTML，这是一种XML，这意味着您可以在结果上使用所有常用的XML工具，如XSLT和XQuery。

如果要在Microsoft Excel中处理它们，那么您应该能够将表格从HTML中分割出来并将其放在一个文件中，然后在Excel中打开该文件：它会很乐意将HTML表格转换为电子表格页面。然后，您可以将其另存为CSV或Excel工作簿等。（您甚至可以在Web服务器上使用它 - 返回HTML表格，但将Content-Type标题设置为application/ms-vnd.excel：Excel将打开并且导入表格并将其转入电子表格。）

如果您希望CSV输入数据库，那么您可以像以前一样通过Excel，或者如果您想自动化该过程，您可以编写一个程序，使用您选择的XML导航API来迭代表格行并将其另存为CSV。 Python的Elementtree和CSV模块可以让这很容易。

Answer 3

在审核完建议后，我结束了HtmlUnit。

使用HtmlUnit，我能够自定义Java代码以打开文件夹中的每个HTML文件，导航到TABLE标记， 查询每个列内容并提取创建CSV文件所需的数据。

Answer 4

在.NET中，您可以使用HTMLAgilityPack。

有关详细信息，请参阅StackOverflow上的previous question。

Answer 5

如果要从HTML标记中提取内容，则应使用某种类型的HTML解析器。为此目的，那里有很多，这里有两个可能满足您的需求：

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

Answer 6

遍历文本并使用正则表达式：）

http://www.knowledgehouse.sg