Převod souboru HTML do CSV

Tabulkový procesor, databáze nebo analytický systém může vyžadovat tabulková data ve formátu CSV namísto uložené webové stránky. Převod tabulky HTML usnadňuje úpravy, import, archivaci nebo zpracování jejích záznamů jako menšího souboru prostého textu.

Co je formát HTML

HTML (HyperText Markup Language) je formát dokumentu používaný pro webové stránky a místně uložené webové dokumenty. Prvky, jako jsou nadpisy, odstavce, odkazy, seznamy a tabulky, definují strukturu dokumentu; CSS řídí vzhled, zatímco skripty mohou obsah vytvářet nebo upravovat.

Prohlížeče a kancelářské, reportovací, redakční a webové aplikace běžně vytvářejí soubory .html a .htm. Soubor HTML může obsahovat několik tabulek spolu s navigací, reklamami, obrázky, formuláři a dynamicky načítanými daty. Do exportu CSV běžně patří pouze data tabulky.

Co je formát CSV

CSV (comma-separated values) je tabulkový formát prostého textu. Každý záznam obvykle zabírá jeden řádek a pole jsou oddělena čárkami. Pole obsahující čárku, uvozovku nebo zalomení řádku je uzavřeno v dvojitých uvozovkách; uvozovka uvnitř pole v uvozovkách je reprezentována dvěma uvozovkami.

Soubory CSV podporují Microsoft Excel, LibreOffice Calc, Google Sheets, databáze, statistický software a importní API. CSV je menší a snadněji zpracovatelný než HTML, ale nezachovává formátování, rozvržení stránky, obrázky, vzorce, CSS ani většinu struktury dokumentu. URL lze zachovat pouze jako text, pokud je zdrojová tabulka nebo nástroj pro extrakci poskytuje jako hodnotu buňky.

Převod pomocí Microsoft Excel

1. Otevřete Excel a zvolte File → Open. Vyberte soubor HTML; pokud není zobrazen, zvolte All Files.
2. Zkontrolujte importovaný obsah. Pokud stránka obsahuje několik tabulek, zkopírujte požadovanou tabulku do nového listu. Odstraňte navigační text, nadpisy, zápatí, sloučené buňky a nesouvisející sloupce.
3. Zvolte File → Save As a vyberte CSV UTF-8 (Comma delimited) (*.csv).
4. Potvrďte upozornění, že bude uložen pouze aktivní list. Každou nesouvisející tabulku exportujte do samostatného souboru CSV.

Excel je vhodný pro malé množství běžných tabulek HTML, protože před exportem umožňuje vizuální úpravy. Může také změnit hodnoty, jako jsou identifikátory s počátečními nulami, data a dlouhá čísla, proto před uložením naformátujte tyto sloupce jako text nebo zkontrolujte výsledný soubor CSV.

Převod pomocí LibreOffice Calc

1. Otevřete soubor HTML v LibreOffice Calc a vyberte tabulku nebo list obsahující požadované záznamy.
2. Zvolte File → Save As, vyberte Text CSV (.csv) a povolte Edit filter settings, pokud je tato možnost k dispozici.
3. V dialogovém okně exportu nastavte znakovou sadu na UTF-8, oddělovač polí na čárku a oddělovač textu na dvojité uvozovky.
4. Možnost Save cell contents as shown použijte pouze tehdy, když jsou vyžadovány zobrazené hodnoty, nikoli základní hodnoty buněk.

LibreOffice je bezplatná alternativa pro stolní počítače. Jeho importér HTML může vyžadovat opravy, pokud zdroj používá vnořené tabulky, rowspan, colspan nebo několik nesouvisejících tabulek.

Extrakce tabulek pomocí Pythonu

Pro opakovatelný převod nainstalujte pandas a analyzátor HTML:

python -m pip install pandas lxml

Každou nalezenou tabulku HTML zapište do samostatného souboru 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")

Pro export pouze první nalezené tabulky:

import pandas as pd

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

read_html() extrahuje skutečné prvky <table>. Nespouští JavaScript stránky, neověřuje uživatele na webu, neprochází stránkování ani neobnovuje obsah načtený po vytvoření uloženého HTML. U dynamických stránek použijte vlastní export webu, získejte odpověď základního API nebo před extrakcí uložte plně vykreslenou tabulku. Tabulky s víceúrovňovými záhlavími zkontrolujte a před zápisem finálního CSV tato záhlaví zploštěte nebo přejmenujte.

Použití online převodníku

U souboru, který neobsahuje důvěrná data a je samostatný, nahrajte HTML do renomované služby, jako je Convertio nebo Zamzar, vyberte CSV jako výstupní formát, pokud je aktuálně nabízen převod HTML na CSV, spusťte převod a stáhněte výsledek. Podpora služeb a chování výstupu se mohou měnit a mnoho online převodníků zpracovává pouze jednoduché tabulky, nikoli stránky vykreslované pomocí JavaScriptu.

Nenahrávejte přihlašovací údaje, osobní záznamy, údaje zákazníků, nepublikované zprávy ani jiný omezený obsah HTML, pokud nejsou podmínky poskytovatele týkající se uchovávání, mazání, šifrování a zpracování přijatelné. U citlivých dat je vhodnější software pro stolní počítače nebo místní skript Pythonu.

Kontrola převedeného souboru CSV

• Více tabulek: CSV nemá listy ani interní kontejner tabulek. Nesouvisející tabulky exportujte samostatně nebo je kombinujte pouze tehdy, když jejich sloupce popisují stejný typ záznamu.
• Rozpětí a záhlaví: Buňky HTML používající rowspan nebo colspan mohou vytvářet prázdná, opakovaná nebo posunutá pole. Ručně zkontrolujte názvy sloupců a první i poslední záznamy.
• Kódování: Používejte UTF-8. UTF-8 with BOM, zapisované pomocí utf-8-sig, může zlepšit automatickou detekci při přímém otevření souboru ve starších verzích Excelu pro Windows. Zkontrolujte znaky s diakritikou i nelatinské znaky.
• Oddělovače: CSV je konvence, nikoli jeden plně standardizovaný dialekt. Regionální nastavení tabulkového procesoru mohou očekávat středníky. Pokud se všechna pole zobrazují v jednom sloupci, importujte soubor a výslovně vyberte čárku jako oddělovač.
• Datové typy: Tabulkové procesory mohou odstranit počáteční nuly, zaokrouhlit dlouhé identifikátory, nesprávně interpretovat data nebo zobrazit hodnoty ve vědeckém zápisu. PSČ, čísla účtů, ID produktů a podobná pole importujte jako text.
• Zalomení řádků a uvozovky: Platný soubor CSV může obsahovat pole v uvozovkách s vloženými čárkami a zalomeními řádků. Výstup otestujte v cílové aplikaci namísto posuzování platnosti podle náhledu prostého textu.
• Chybějící dynamická data: Stažený soubor HTML může obsahovat pouze počáteční obal stránky. Data načítaná pomocí JavaScriptu, přihlašovacích relací, nekonečného posouvání nebo stránkování se do převodníku nemusí nikdy dostat.