Converti HTML in CSV

Un foglio di calcolo, un database o un sistema di analisi può richiedere dati tabellari in CSV invece di una pagina web salvata. La conversione di una tabella HTML rende i relativi record più facili da modificare, importare, archiviare o elaborare come file di testo semplice più piccolo.

Che cos'è il formato HTML

HTML (HyperText Markup Language) è il formato dei documenti utilizzato per le pagine web e i documenti web salvati localmente. Elementi come intestazioni, paragrafi, collegamenti, elenchi e tabelle definiscono la struttura del documento; CSS controlla la presentazione, mentre gli script possono generare o modificare il contenuto.

I browser e le applicazioni per l'ufficio, la reportistica, la gestione dei contenuti e il web creano comunemente file .html e .htm. Un file HTML può contenere diverse tabelle insieme a navigazione, pubblicità, immagini, moduli e dati caricati dinamicamente. Normalmente, solo i dati della tabella appartengono a un'esportazione CSV.

Che cos'è il formato CSV

CSV (comma-separated values) è un formato tabellare di testo semplice. Ogni record occupa solitamente una riga e i campi sono separati da virgole. Un campo contenente una virgola, un carattere di virgolette o un'interruzione di riga viene racchiuso tra virgolette doppie; un carattere di virgolette all'interno di un campo racchiuso tra virgolette è rappresentato da due virgolette doppie.

I file CSV sono supportati da Microsoft Excel, LibreOffice Calc, Google Sheets, database, software statistici e API di importazione. CSV è più piccolo e più facile da elaborare rispetto a HTML, ma non conserva la formattazione, il layout della pagina, le immagini, le formule, CSS o la maggior parte della struttura del documento. Un URL può essere conservato come testo solo se la tabella di origine o l'estrattore lo fornisce come valore di cella.

Convertire con Microsoft Excel

1. Aprire Excel e scegliere File → Open. Selezionare il file HTML; scegliere All Files se non viene visualizzato.
2. Esaminare il contenuto importato. Se la pagina contiene diverse tabelle, copiare la tabella richiesta in un nuovo foglio di lavoro. Rimuovere il testo di navigazione, le intestazioni, i piè di pagina, le celle unite e le colonne non pertinenti.
3. Scegliere File → Save As e selezionare CSV UTF-8 (Comma delimited) (*.csv).
4. Accettare l'avviso che verrà salvato solo il foglio di lavoro attivo. Esportare ogni tabella non correlata in un file CSV separato.

Excel è adatto a un numero ridotto di normali tabelle HTML perché consente di effettuare una pulizia visiva prima dell'esportazione. Può inoltre modificare valori come identificativi con zeri iniziali, date e numeri lunghi; formattare quindi tali colonne come testo prima del salvataggio oppure verificare il CSV risultante.

Convertire con LibreOffice Calc

1. Aprire il file HTML in LibreOffice Calc e selezionare la tabella o il foglio contenente i record richiesti.
2. Scegliere File → Save As, selezionare Text CSV (.csv) e attivare Edit filter settings se l'opzione è disponibile.
3. Nella finestra di dialogo dell'esportazione, impostare il set di caratteri su UTF-8, il separatore dei campi sulla virgola e il delimitatore di testo sulle virgolette doppie.
4. Utilizzare Save cell contents as shown solo quando sono richiesti i valori visualizzati, anziché i valori sottostanti delle celle.

LibreOffice è un'alternativa desktop gratuita. Il relativo importatore HTML potrebbe richiedere correzioni quando la fonte utilizza tabelle nidificate, rowspan, colspan o diverse tabelle non correlate.

Estrarre tabelle con Python

Per una conversione ripetibile, installare pandas e un parser HTML:

python -m pip install pandas lxml

Scrivere ogni tabella HTML rilevata in un file CSV separato:

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")

Per esportare solo la prima tabella rilevata:

import pandas as pd

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

read_html() estrae gli elementi <table> effettivi. Non esegue JavaScript della pagina, non autentica l'accesso a un sito, non segue la paginazione e non recupera i contenuti caricati dopo la creazione dell'HTML salvato. Per le pagine dinamiche, utilizzare l'esportazione del sito, ottenere la risposta dell'API sottostante oppure salvare la tabella completamente renderizzata prima dell'estrazione. Esaminare le tabelle con intestazioni multilivello e appiattire o rinominare tali intestazioni prima di scrivere il CSV finale.

Utilizzare un convertitore online

Per un file autonomo non riservato, caricare l'HTML su un servizio affidabile come Convertio o Zamzar, selezionare CSV come formato di output se la conversione da HTML a CSV è attualmente offerta, avviare la conversione e scaricare il risultato. Il supporto e il comportamento dell'output dei servizi possono cambiare e molti convertitori online gestiscono solo tabelle semplici, non pagine renderizzate tramite JavaScript.

Non caricare credenziali, dati personali, dati dei clienti, report non pubblicati o altri file HTML riservati a meno che le condizioni del provider relative a conservazione, eliminazione, crittografia ed elaborazione non siano accettabili. Per i dati sensibili è preferibile utilizzare software desktop o uno script Python locale.

Controllare il CSV convertito

• Tabelle multiple: CSV non dispone di fogli di lavoro né di un contenitore interno per le tabelle. Esportare separatamente le tabelle non correlate oppure combinarle solo quando le relative colonne descrivono lo stesso tipo di record.
• Estensioni e intestazioni: le celle HTML che utilizzano rowspan o colspan possono creare campi vuoti, ripetuti o spostati. Controllare manualmente i nomi delle colonne e il primo e l'ultimo record.
• Codifica: utilizzare UTF-8. UTF-8 with BOM, scritto da utf-8-sig, può migliorare il rilevamento automatico quando il file viene aperto direttamente nelle versioni meno recenti di Excel per Windows. Controllare i caratteri accentati e non latini.
• Delimitatori: CSV è una convenzione, non un unico dialetto completamente standardizzato. Le impostazioni locali dei fogli di calcolo possono prevedere il punto e virgola. Se tutti i campi vengono visualizzati in un'unica colonna, importare il file e selezionare esplicitamente la virgola come delimitatore.
• Tipi di dati: i programmi per fogli di calcolo possono rimuovere gli zeri iniziali, arrotondare gli identificativi lunghi, reinterpretare le date o visualizzare i valori in notazione scientifica. Importare come testo i codici postali, i numeri di conto, gli ID prodotto e i campi simili.
• Interruzioni di riga e virgolette: un CSV valido può contenere campi racchiusi tra virgolette con virgole e interruzioni di riga incorporate. Testare l'output nell'applicazione di destinazione invece di giudicarne la validità da un'anteprima di testo semplice.
• Dati dinamici mancanti: un file HTML scaricato può contenere solo la struttura iniziale della pagina. I dati caricati tramite JavaScript, sessioni di accesso, scorrimento infinito o paginazione potrebbero non arrivare mai al convertitore.