从一组 HTML 文件中提取表格内容的最佳方法是什么？答案

【问题标题】：What's the best way to extract table content from a group of HTML files?从一组 HTML 文件中提取表格内容的最佳方法是什么？
【发布时间】：2010-09-09 06:45:32
【问题描述】：

用 TIDY 清理了一个满是 HTML 文件的文件夹后，如何提取表格内容进行进一步处理？

【问题讨论】：

标签： java html excel csv extract

【解决方案1】：

遍历文本并使用正则表达式:)

http://www.knowledgehouse.sg

【讨论】：

【解决方案2】：

查看建议后，我最终使用了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，查询每列内容并提取创建 CSV 文件所需的数据。

【讨论】：

【解决方案3】：

取决于您要进行哪种处理。您可以告诉 Tidy 生成 XHTML，它是一种 XML，这意味着您可以在结果上使用所有常用的 XML 工具，例如 XSLT 和 XQuery。

如果您想在 Microsoft Excel 中处理它们，那么您应该能够从 HTML 中切出表格并将其放入一个文件中，然后在 Excel 中打开该文件：它会很高兴地将 HTML 表格转换为电子表格页面。然后您可以将其保存为 CSV 或 Excel 工作簿等。（您甚至可以在 Web 服务器上使用它——返回一个 HTML 表格，但将 Content-Type 标头设置为 application/ms-vnd.excel：Excel 将打开并导入表格并将其转换为电子表格。）

如果您希望将 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 来迭代表行并将它们保存为 CSV。 Python 的 Elementtree 和 CSV 模块将使这变得非常简单。

【讨论】：

【解决方案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，这里有两个可能适合您的需求：

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

【讨论】：

【解决方案5】：

在 .NET 中，您可以使用 HTMLAgilityPack。

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

【讨论】：

【解决方案6】：

我过去曾在此类事情上使用 BeautifulSoup 并取得了巨大成功。

【讨论】：