Question

我必须从现有网站上获取一些产品数据以放入数据库。数据全部采用HTML表格格式，模型编号是唯一的，但每个产品可以有任意数量的不同属性（因此我需要解析的表格都有不同的列和标题）。

<table>
<tr>
<td>Model No.</td>
<td>Weight</td>
<td>Colour</td>
<td>Etc..</td>
</tr>
<tr>
<td>8572</td>
<td>12 Kg</td>
<td>Red</td>
<td>Blah..</td>
</tr>
<tr>
<td>7463</td>
<td>7 Kg</td>
<td>Blue</td>
<td>Blah..</td>
</tr>
<tr>
<td>8332</td>
<td>42 Kg</td>
<td>Yellow</td>
<td>Blah..</td>
</tr>
</table>

这是我正在寻找的CSV输出格式：

Model-No,Attribute-Name,Attribute-Value
8572,"Weight","12 Kg"
8572,"Colour","Red"
8572,"Etc","Blah.."
7463,"Weight","7 Kg"
7463,"Colour","Blue"
7463,"Etc","Blah.."
8332,"Weight","42 Kg"
8332,"Colour","Yellow"
8332,"Etc","Blah.."

由于表格看起来都是有效的xhtml我可能会将每个表格加载到XmlDocument中，但有没有人有任何建议可以更好地完成此操作？感谢。

Answer 1

我可以想到3种方法：

HTML Agility pack：加载HTML并循环遍历元素并编写CSV。一些例子here。
使用正则表达式解析表格。
如果您的HTML是XHTML（有效的XML），您可以编写XSLT模板以自动创建CSV。这是最新，但不是最简单的。

Answer 2

假设您至少在.NET 3.5环境中，您可以随时使用Linq to XML。

Answer 3

HtmlAgilityPack非常适合从html网页上抓取数据，使用它将表格废弃成某种中间对象，然后就可以从这个对象中形成一个csv文件。

Answer 4

除了HtmlAgilityPack之外，Khaled Nassar也提到过。您可以通过jQuery apply .each（'tr'）来完成它，并将第1，第2和第3个子项分配给产品对象，您可以通过服务或处理程序发送该产品对象，从而创建cvs。

Answer 5

有一种非常简单的方法（尽管是一种不合理的方式）来实现这一目标。如果它只是一个关闭，只需用excel中的表打开htm / html文件，然后将工作表保存为.csv文件（如果文件中的表外有任何数据，它可以很容易地从excel中删除）。

如果要重复此任务，可以在C＃（或VB .net）中使用Microsoft.Office.Interop.Excel命名空间，使其自动化，如下所示：

using Microsoft.Office.Interop.Excel;

...

Application app = new Application();
app.ScreenUpdating = false;
app.DisplayAlerts = false;
app.AskToUpdateLinks = false;
app.Visible = false;

Workbook workbook = app.Workbooks.Open(fileName + ".html", false, false,
               Type.Missing, Type.Missing, Type.Missing, Type.Missing,
               Type.Missing, Type.Missing,
               Type.Missing, Type.Missing, Type.Missing, Type.Missing,
               Type.Missing, Type.Missing);


workbook.SaveAs(fileName + ".csv", Microsoft.Office.Interop.Excel.XlFileFormat.xlCSV);

workbook.Close(false, Type.Missing, Type.Missing);
workbook = null;
app.Quit();
app = null;

...

对于这种情况，如果需要，应该很容易使用表标记上的Regex解析html文件中的非表。在Visual Studio 2005及更高版本中，您只需右键单击项目的引用，您就可以在.Net选项卡下找到Microsoft.Office.Interop.Excel。

将HTML表解析为CSV的最佳方法

5 个答案: