将 HTML 表从外壳转换为 CSV 文件

im 尝试将带有 HTML 表格的文件转换为 CSV 格式。此文件的摘录如下：

    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
    <html xmlns="http://www.w3.org/1999/xhtml" >
    <head id="Head1"><link rel="shortcut icon" href="favicon.ico" /><title>
Untitled Page
    </title></head>
    <body>
        <form name="form1" method="post" action="mypricelist.aspx" id="form1">
    <input type="hidden" name="__VIEWSTATE" id="__VIEWSTATE" value="/somethingrandom" />
<div>
    <table id="price_list" border="0">
<tr>
    <td>ProdCode</td><td>Description</td><td>Your Price</td>
</tr><tr>
    <td>ab101</td><td>loruem</td><td>1.1</td>
</tr><tr>
    <td>ab102</td><td>ipsum</td><td>0.1</td>
</tr><tr>

我试过使用

    xls2csv -x -c; evprice.xls > evprice.csv

但这给了我一个错误说

    evprice.xls is not OLE file or Error

我用谷歌搜索了一下。它说这是因为文件不是正确的XLS，而只是html。

当我尝试时

    file evprice.xls

它说它的HTML所以找到了一个"解决方案"，使用libreOffice。

    libreoffice --headless -convert-to csv ./evprice.xls

好吧，这不会给出错误，但是CSV输出文件很奇怪，就像在记事本中打开exe文件一样。

它包含了很多像这样的奇怪字符

    —¬žþ9ü~ÆóXþK¢

有谁知道为什么会发生这种情况，并有一个可行的解决方案？

我构建了一个 Python 实用程序，它将 HTML 文件中的所有表转换为单独的 CSV 文件。

你可以在这里找到它。

剧本的关键是这样的：

from BeautifulSoup import BeautifulSoup
import csv
filename = "MY_HTML_FILE"
fin      = open(filename,'r')
print "Opening file"
fin  = fin.read()
print "Parsing file"
soup = BeautifulSoup(fin,convertEntities=BeautifulSoup.HTML_ENTITIES)
print "Preemptively removing unnecessary tags"
[s.extract() for s in soup('script')]
print "CSVing file"
tablecount = -1
for table in soup.findAll("table"):
  tablecount += 1
  print "Processing Table #%d" % (tablecount)
  with open(sys.argv[1]+str(tablecount)+'.csv', 'wb') as csvfile:
    fout = csv.writer(csvfile, delimiter=',', quotechar='"', quoting=csv.QUOTE_MINIMAL)
    for row in table.findAll('tr'):
      cols = row.findAll(['td','th'])
      if cols:
        cols = [x.text for x in cols]
        fout.writerow(cols)

相关内容

最新更新

热门标签：