从一组HTML文件中提取表格内容的最佳方式是什么？

Question

使用TIDY清理完整个HTML文件的文件夹后，如何提取表格内容以供进一步处理？

Answer 1

取决于你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中使用所有常用的XML工具，如XSLT和XQuery。

如果你要处理他们在Microsoft Excel，那么你应该能够切片表与HTML，并把它放在一个文件，然后打开该文件在Excel中：它可以转化HTML表中一个电子表格页面。然后，您可以将其另存为CSV或Excel工作簿等（您甚至可以在Web服务器上使用此工具 - 返回一个HTML表格，但将Content-Type标题设置为application/ms-vnd.excel：将打开Excel并导入表格并将其转换为电子表格）。

如果你想CSV在喂到一个数据库，那么你可以通过Excel作为之前去，或者，如果你想自动执行的过程，你可以写一个使用的导航XML的API程序你选择迭代表格行并将它们保存为CSV。 Python的Elementtree和CSV模块将使这非常容易。

Answer 2

我已经使用BeautifulSoup在过去这样的事情取得了巨大的成功。

Answer 3

在.NET中，您可以使用HTMLAgilityPack。

有关更多信息，请参阅StackOverflow上的此previous question。

Answer 4

如果你想从HTML标记中提取内容，你应该使用某种类型的HTML解析器。为此有很多在那里，这里有两个可能适合您的需要：

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

Answer 5

在审查了建议后，我使用HtmlUnit清盘。

用的HtmlUnit，我能够自定义的Java代码来打开该文件夹中的每个HTML文件，浏览到该表标签， 查询每列的内容，并提取我需要创建一个CSV文件中的数据。

Answer 6

迭代通过文字，并使用正则表达式:)

http://www.knowledgehouse.sg