对于您的目标数据模型的结构化版本已经有了很好的想法 - 如果您希望统计数据的结构更加灵活，但仍然能够随着时间的推移进行键控和分组，那么另一种选择可能是遵循 bi /dw 模式为你的数据建模
以下是“逻辑的”，并且与kimball et. al. 的事实表中的属性/维度相关，其中事实表的“粒度”是“src html 文件 + 表 + 行 + 单元格 + 值” )'，假设你的价值观随着时间的推移是一致的
（我注意到在您的图片中，一个 html 文件有几个表格，每个单元格中有几个值）
-
group_srcfile（指向源 html 文件/表/行/单元格中的位置，您可能也可以存储源 html，以防以后需要进行尸检）
group_cohort（指向标准化队列，例如“18-24 岁随着时间的推移”或“男性随着时间的推移”）
group_question（指向问题定义 - 随着时间的推移，这些问题都是相同的）
question_id（问题定义+问题年份）
question_year（这是提出问题的年份）
cohort_start_year（这是该队列的开始年份被问到的问题）
cohort_end_year（这是被问到这个问题的队列的年末）
cohort_start_age（如果适用，将是标准化的“xxxx - yyyy”，例如：“18”）
cohort_end_age（这是指定的，或由“xxxx - present”推断，其中“present”是报告 html 文件的年份）
values 1 .. n 必须计算相同的东西，否则您还需要将它们分开
要生成体面的输出，您需要完成数据表上的问题，但无论您做什么，使用 php 导出 html 都相对简单
我考虑了将数据加载到 mysql 中的方法，但是没有作为数据源的 html 文件的可靠示例，很难编写特定代码（即在浏览器中打开并“查看源代码”） '，或等效）
作为一种通用方法，我将使用 php 和 DOMDocument 从 html 中解析每个事实（表格单元格 td），然后以非规范化形式发出一行，以便随后加载到临时表并最终加载到您的事实表中
在这种情况下，'emit' 是事实表中最终成为单个行的来源，但您还不能加载它，因为您不知道维度键是什么，除非您及时定义它们解析html
这实际上是不可能做到的：相反，加载到一个松散定义的表中（没有任何参考完整性），一旦你完成了所有文件的解析，编写 etl 或查询来生成你的维度表，然后再完成你的事实
（我可能会使用pentaho data integration 来处理第二阶段 - 它的流式 xml 解析器无法处理第一阶段：太严格了）
我发现 this test html file 已经足够老了，以至于我一想到要无休止地重写抓取代码来解释“dreamtheaver”带来的永无止境的布局变化，就忍不住吐了最后一杯咖啡。 ..
一旦我的手足够稳定，血流恢复正常，我引导机灵并生成以下 php - 尤其是没有对源表进行任何形式的重组/非规范化：
<?php
ini_set('display_errors', 1);
ini_set('display_startup_errors', 1);
error_reporting(E_ALL);
$dom = new DOMDocument();
$srcfile = 'testxmlparser.html';
$dom->loadHTMLFile( $srcfile, NULL );
echo 'odom is: ' . ($dom ? 'nice':'naughty') . PHP_EOL;
if( $dom ) {
// get all the table rows in the document
$tblrows = $dom->getElementsByTagName('tr');
foreach( $tblrows as $trrow ) {
$tblcells = $trrow->getElementsByTagName('td');
$incr = 0;
// buffer this table row's cell (td) data that we encounter, in case it is interesting...
$srowbuf = '';
foreach( $tblcells as $tdcell ) {
$srowbuf = ($srowbuf . $tdcell->nodeValue);
if( 1 <= $incr++ )
$srowbuf = ($srowbuf . '+|');
}
// we know the table data we're interested in has 12 cells only
if( 12 == $incr )
echo $srowbuf . '+|' . $incr . '+|' . $srcfile . PHP_EOL;
}
}
?>