Konwertuj HTML na CSV

Arkusz kalkulacyjny, baza danych lub system analityczny może wymagać danych tabelarycznych w formacie CSV zamiast zapisanej strony internetowej. Konwersja tabeli HTML ułatwia edytowanie, importowanie, archiwizowanie lub przetwarzanie jej rekordów jako mniejszego pliku tekstowego.

Czym jest format HTML

HTML (HyperText Markup Language) to format dokumentów używany dla stron internetowych i lokalnie zapisanych dokumentów internetowych. Elementy takie jak nagłówki, akapity, linki, listy i tabele definiują strukturę dokumentu; CSS steruje wyglądem, a skrypty mogą generować lub modyfikować zawartość.

Przeglądarki oraz aplikacje biurowe, raportowe, do zarządzania treścią i aplikacje internetowe powszechnie tworzą pliki .html i .htm. Plik HTML może zawierać kilka tabel obok nawigacji, reklam, obrazów, formularzy i dynamicznie ładowanych danych. Zwykle tylko dane tabeli powinny znaleźć się w eksporcie CSV.

Czym jest format CSV

CSV (comma-separated values) to tabelaryczny format tekstowy. Każdy rekord zwykle zajmuje jeden wiersz, a pola są oddzielone przecinkami. Pole zawierające przecinek, cudzysłów lub znak końca wiersza jest ujmowane w podwójne cudzysłowy; cudzysłów wewnątrz ujętego w cudzysłowy pola jest reprezentowany przez dwa cudzysłowy.

Pliki CSV są obsługiwane przez Microsoft Excel, LibreOffice Calc, Google Sheets, bazy danych, oprogramowanie statystyczne i API importu. CSV jest mniejszy i łatwiejszy do przetwarzania niż HTML, ale nie zachowuje formatowania, układu strony, obrazów, formuł, CSS ani większości struktury dokumentu. URL może zostać zachowany wyłącznie jako tekst, jeśli tabela źródłowa lub ekstraktor udostępnia go jako wartość komórki.

Konwersja za pomocą Microsoft Excel

1. Otwórz Excel i wybierz File → Open. Wybierz plik HTML; jeśli nie jest wyświetlany, wybierz All Files.
2. Sprawdź zaimportowaną zawartość. Jeśli strona zawiera kilka tabel, skopiuj wymaganą tabelę do nowego arkusza. Usuń tekst nawigacyjny, nagłówki, stopki, scalone komórki i niezwiązane kolumny.
3. Wybierz File → Save As i wybierz CSV UTF-8 (Comma delimited) (*.csv).
4. Zaakceptuj ostrzeżenie, że zapisany zostanie tylko aktywny arkusz. Wyeksportuj każdą niezwiązaną tabelę do osobnego pliku CSV.

Excel nadaje się do niewielkiej liczby zwykłych tabel HTML, ponieważ umożliwia wizualne uporządkowanie danych przed eksportem. Może również zmieniać wartości, takie jak identyfikatory z zerami wiodącymi, daty i długie liczby, dlatego przed zapisaniem ustaw format tych kolumn jako tekstowy lub sprawdź wynikowy plik CSV.

Konwersja za pomocą LibreOffice Calc

1. Otwórz plik HTML w LibreOffice Calc i wybierz tabelę lub arkusz zawierający wymagane rekordy.
2. Wybierz File → Save As, wybierz Text CSV (.csv) i włącz Edit filter settings, jeśli ta opcja jest dostępna.
3. W oknie dialogowym eksportu ustaw zestaw znaków na UTF-8, separator pól na przecinek, a ogranicznik tekstu na podwójne cudzysłowy.
4. Użyj opcji Save cell contents as shown tylko wtedy, gdy wymagane są wyświetlane wartości, a nie bazowe wartości komórek.

LibreOffice jest bezpłatną alternatywą desktopową. Jego importer HTML może wymagać poprawek, gdy źródło używa zagnieżdżonych tabel, rowspan, colspan lub kilku niezwiązanych tabel.

Ekstrahowanie tabel za pomocą Python

W celu powtarzalnej konwersji zainstaluj pandas i parser HTML:

python -m pip install pandas lxml

Zapisz każdą wykrytą tabelę HTML w osobnym pliku CSV:

import pandas as pd

tables = pd.read_html("input.html")
for number, table in enumerate(tables, start=1):
    table.to_csv(f"table-{number}.csv", index=False, encoding="utf-8-sig")

Aby wyeksportować tylko pierwszą wykrytą tabelę:

import pandas as pd

pd.read_html("input.html")[0].to_csv("output.csv", index=False, encoding="utf-8-sig")

read_html() wyodrębnia rzeczywiste elementy <table>. Nie uruchamia JavaScript strony, nie uwierzytelnia w witrynie, nie obsługuje stronicowania ani nie odzyskuje zawartości załadowanej po utworzeniu zapisanego pliku HTML. W przypadku stron dynamicznych użyj własnej funkcji eksportu witryny, uzyskaj odpowiedź z bazowego API lub zapisz w pełni wyrenderowaną tabelę przed ekstrakcją. Sprawdź tabele z wielopoziomowymi nagłówkami i spłaszcz je lub zmień nazwy tych nagłówków przed zapisaniem końcowego pliku CSV.

Korzystanie z konwertera online

W przypadku pliku niezawierającego poufnych danych prześlij HTML do renomowanej usługi, takiej jak Convertio lub Zamzar, wybierz CSV jako format wyjściowy, jeśli konwersja HTML do CSV jest aktualnie oferowana, rozpocznij konwersję i pobierz wynik. Obsługa usług i sposób działania wyników mogą się zmieniać, a wiele konwerterów online obsługuje wyłącznie proste tabele, a nie strony renderowane przez JavaScript.

Nie przesyłaj danych uwierzytelniających, danych osobowych, danych klientów, nieopublikowanych raportów ani innych ograniczonych dostępem plików HTML, chyba że warunki dostawcy dotyczące przechowywania, usuwania, szyfrowania i przetwarzania danych są akceptowalne. W przypadku poufnych danych lepiej użyć oprogramowania desktopowego lub lokalnego skryptu Python.

Sprawdzanie przekonwertowanego pliku CSV

• Wiele tabel: CSV nie ma arkuszy ani wewnętrznego kontenera tabel. Eksportuj niezwiązane tabele osobno lub łącz je tylko wtedy, gdy ich kolumny opisują ten sam typ rekordu.
• Scalanie i nagłówki: Komórki HTML używające rowspan lub colspan mogą tworzyć puste, powtórzone lub przesunięte pola. Ręcznie sprawdź nazwy kolumn oraz pierwszy i ostatni rekord.
• Kodowanie: Używaj UTF-8. UTF-8 with BOM, zapisywane przez utf-8-sig, może poprawić automatyczne wykrywanie kodowania, gdy plik jest otwierany bezpośrednio w starszych wersjach Excel dla Windows. Sprawdź znaki diakrytyczne i znaki alfabetów innych niż łaciński.
• Separatory: CSV jest konwencją, a nie jednym w pełni ustandaryzowanym dialektem. Regionalne ustawienia arkuszy kalkulacyjnych mogą wymagać średników. Jeśli wszystkie pola pojawiają się w jednej kolumnie, zaimportuj plik i jawnie wybierz przecinek jako separator.
• Typy danych: Programy arkuszy kalkulacyjnych mogą usuwać zera wiodące, zaokrąglać długie identyfikatory, interpretować daty na nowo lub wyświetlać wartości w notacji naukowej. Importuj kody pocztowe, numery kont, identyfikatory produktów i podobne pola jako tekst.
• Znaki końca wiersza i cudzysłowy: Prawidłowy plik CSV może zawierać pola ujęte w cudzysłowy, zawierające przecinki i znaki końca wiersza. Przetestuj wynik w docelowej aplikacji zamiast oceniać poprawność na podstawie podglądu zwykłego tekstu.
• Brak dynamicznych danych: Pobrany plik HTML może zawierać tylko początkowy szkielet strony. Dane ładowane przez JavaScript, sesje logowania, nieskończone przewijanie lub stronicowanie mogą nigdy nie trafić do konwertera.