1

用 TIDY 清理了一个充满 HTML 文件的文件夹后，如何提取表格内容以进行进一步处理？

4

6 回答 6

2

过去，我曾将 BeautifulSoup 用于此类事情并取得了巨大成功。

于 2008-09-16T01:56:12.270 回答
1

取决于你想要做什么样的处理。您可以告诉 Tidy 生成 XHTML，它是一种 XML，这意味着您可以对结果使用所有常用的 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 HTML 表格，但将Content-Type标题设置为application/ms-vnd.excel：Excel 将打开并导入表格并将其转入电子表格.)

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 来迭代表行和将它们保存为 CSV。Python 的 Elementtree 和 CSV 模块将使这变得非常容易。

于 2008-09-16T15:13:48.653 回答
1

在查看了这些建议后，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。

于 2008-09-18T19:15:10.477 回答
0

在 .NET 中，您可以使用HTMLAgilityPack。

有关更多信息，请参阅StackOverflow 上的上一个问题。

于 2008-09-16T01:59:55.507 回答
0

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，那里有很多，这里有两个可能适合您的需求：

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

于 2008-09-16T02:03:57.057 回答
0

遍历文本并使用正则表达式:)

http://www.knowledgehouse.sg

于 2008-11-17T02:40:16.753 回答