HTML ファイルのグループから表の内容を抽出する最良の方法は何ですか?
https://stackoverflow.com/questions/68691
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
Russian質問
HTML ファイルでいっぱいのフォルダーを TIDY でクリーンアップした後、さらに処理するためにテーブルのコンテンツを抽出するにはどうすればよいでしょうか?
解決
どのような処理を行いたいかによって異なります。Tidy に XML の一種である XHTML を生成するように指示できます。つまり、結果に対して XSLT や XQuery などの通常の XML ツールをすべて使用できることになります。
これらを Microsoft Excel で処理したい場合は、HTML からテーブルを切り取ってファイルに配置し、そのファイルを Excel で開くことができます。HTML テーブルをスプレッドシート ページに変換します。その後、CSV または Excel ワークブックなどとして保存できます。(これを Web サーバー上で使用することもできます。HTML テーブルを返しますが、 Content-Type へのヘッダー application/ms-vnd.excel:Excel が開いてテーブルをインポートし、スプレッドシートに変換します)。
CSV をデータベースにフィードしたい場合は、以前と同様に Excel を使用できます。プロセスを自動化したい場合は、任意の XML ナビゲート API を使用してテーブルの行を反復処理するプログラムを作成し、 CSV として保存します。Python の Elementtree と CSV モジュールを使用すると、これが非常に簡単になります。
他のヒント
私は過去にそのような目的で BeautifulSoup を使用して大成功を収めました。
提案を検討した後、最終的に使用しました HTMLユニット.
HTMLunitを使用すると、Javaコードをカスタマイズして、フォルダー内の各HTMLファイルを開き、テーブルタグに移動し、各列コンテンツをクエリし、CSVファイルを作成するために必要なデータを抽出することができました。
.NETでは、次のように使用できます HTMLアジリティパック.
これを参照してください 前の質問 詳細については、StackOverflow を参照してください。
HTML マークアップからコンテンツを抽出する場合は、何らかのタイプの HTML パーサーを使用する必要があります。そのために、世の中にはたくさんのものがあり、ここではあなたのニーズに合うかもしれない 2 つを紹介します。
http://jtidy.sourceforge.net/
http://htmlparser.sourceforge.net/
テキストを反復処理し、正規表現を使用します:)
