解析 HTML 表格的最佳方法答案

【问题标题】：Best way to parse HTML table解析 HTML 表格的最佳方法
【发布时间】：2011-12-14 02:18:34
【问题描述】：

我有兴趣解析下表和其他类似的表格： http://www.cityofames.org/ftp/routes/Fall/wdreds&w.html

对于这项工作的最佳工具有什么建议吗？在四处搜索之后，我无法决定我应该使用什么，并希望在承诺之前获得一些反馈。

我对任何语言/工具持开放态度。

【问题讨论】：

你想解析成什么格式？
@Petah：我希望将列分成时间数组，或者类似的东西。
什么样的数组，JSON，PHP等
@Petah：嗯，我正在考虑在本地创建一个新文件，可能以 CSV 之类的格式在其他地方使用。因此，这将有助于实现这一目标。很抱歉这么含糊。

标签： html xml parsing

【解决方案1】：

如果您正在寻找 HTML 解析器，Java 中有很多选项：

您可能还想就使用这些here 的利弊进行非常全面的讨论。

【讨论】：

【解决方案2】：

有了 lynx，我可以做到：

$ lynx -dump http://www.cityofames.org/ftp/routes/Fall/wdreds\&w.html
    6:25  6:31  6:36  6:41 -----  6:46  6:50      6:56
    7:02  7:08  7:14  7:20 -----  7:26  7:30      7:36
   ----- ----- ----- -----  7:38  7:43  7:47      7:53 1A
    7:28  7:35  7:42  7:48 -----  7:56  8:00      8:06
   ----- ----- ----- -----  7:58  8:03  8:07      8:13 1A
...

使用选择的脚本语言变得非常容易解析，html2text 也可以工作（从未使用过）。

你也可以使用 grep/sed 来格式化它。

【讨论】：

【解决方案3】：

HTML 太难被任何解析器理解。您需要首先使用 tidy (http://tidy.sourceforge.net/) 之类的程序将其转换为合理接近的 XML 格式（对于格式良好的表示匹配的标签），例如 XHTML。然后，您可以使用 XML/XHTML 解析器来解析格式正确的 XML。请注意，您必须根据字体样式处理数据，并将基于字体样式的标签转换为时间数组。

这是解析时可以做的事情

start TR element
  --Create Array
 start b element
  -- Add One time
 end b element
 start b element
  -- Add second time
 end b element
end TR element

【讨论】：