Extraer tablas HTML – C#

Cómo extraer una tabla de HTML

La capacidad de extraer tablas de HTML es importante para diversas aplicaciones, como el web scraping y el análisis de contenido. Aspose.HTML para .NET es una biblioteca sólida que simplifica este proceso al ofrecer a los desarrolladores un conjunto de herramientas para navegar y recopilar información de documentos HTML sin problemas. Exploremos cómo extraer tablas de documentos HTML.

Primero, asegúrese de tener Aspose.HTML para .NET instalado en su proyecto. El proceso de instalación de esta biblioteca es bastante sencillo. Abra el administrador de paquetes NuGet, busque Aspose.HTML e instálelo. También puede utilizar el siguiente comando desde la Consola del Administrador de paquetes:

Install-Package Aspose.HTML

Extraer tablas HTML usando C#

Aspose.HTML para .NET API proporciona un potente conjunto de herramientas para analizar y recopilar información de documentos HTML. Puede extraer tablas HTML con unas pocas líneas de código C#. El siguiente ejemplo muestra cómo encontrar todos los elementos <table> en un documento HTML, crear archivos HTML separados para cada tabla y guardarlos en el directorio de salida. Cada archivo HTML de salida contiene solo una tabla del documento HTML de origen.

using Aspose.Html;
using System.IO;
using System.Collections.Generic;
...

    // Prepare a path to a source HTML file
    string documentPath = Path.Combine(DataDir, "tables.html");

    // Create an instance of an HTML document
    using (var document = new HTMLDocument(documentPath))
    {
        var tables = document.GetElementsByTagName("table");
        var result = new List<Dictionary<string, string>>();
        var i = 0;
        foreach (var table in tables)
        {
            // Save table to new html document
            var newFileName = "table" + i + ".htm";
            var newDoc = new HTMLDocument(table.OuterHTML, Path.Combine(OutputDir, newFileName));
            newDoc.Save(Path.Combine(OutputDir, newFileName));
            i++;
        }
    }

Pasos para extraer tablas de HTML

1. Utilice el constructor HTMLDocument() para inicializar un documento HTML.
2. Utilice el método GetElementsByTagName("table") para recopilar todos los elementos <table>. El método devuelve una lista de los elementos <table> del documento HTML.
3. Inicie un bucle para iterar sobre cada elemento de la tabla:
   • Cree un nuevo nombre de archivo para el archivo de tabla HTML.
   • Utilice el constructor HTMLDocument(content, baseUri) para crear una nueva instancia de un documento HTML utilizando la propiedad OuterHTML del elemento de tabla y un nuevo nombre de archivo.
   • Guarde el documento HTML recién creado en el directorio de salida utilizando el método Save() .

Para obtener más información sobre la API Aspose.HTML, visite nuestra guía de documentación . Aspose.HTML para .NET es una biblioteca de análisis HTML avanzada que le permite crear, editar y convertir archivos HTML, XHTML, MD, EPUB y MHTML. La sección de documentación Data Extraction describe cómo inspeccionar, recopilar y extraer datos automáticamente de páginas web utilizando Aspose.HTML para .NET. En los artículos de esta sección, aprenderá cómo navegar por un documento HTML y realizar una inspección detallada de sus elementos, guardar un sitio web o un archivo desde una URL, extraer diferentes tipos de imágenes de sitios web y más.

Generador de tablas HTML: aplicación en línea

Aspose.HTML ofrece el Generador de tablas HTML es una aplicación en línea para crear tablas con opciones personalizables. Es gratis y claro de usar. ¡Simplemente complete todas las opciones requeridas y obtenga un resultado! El generador de tablas HTML crea automáticamente el código de la tabla HTML. Esta herramienta fue diseñada para permitirle obtener una tabla HTML requerida y ponerla en línea lo más rápido posible.