C#でHTMLテーブルを抽出

HTMLファイルからテーブルとそのマークアップを抽出し、それぞれを個別のHTMLドキュメントとして保存します。

.NET APIでHTMLファイルからテーブルを抽出

Aspose.HTML for .NET はHTMLファイルを HTMLDocument に読み込み、DOMからテーブルへアクセスできるようにします。C#アプリケーションは1つまたはすべての<table>を選択し、OuterHTMLを読み取って、完全なマークアップを含む個別のHTMLドキュメントを作成できます。

C#でHTMLファイルの全テーブルを抽出

次の例では、input.html内の全テーブルを選択し、番号付きのHTMLファイルへ個別に保存します。ソースのベースURIを各出力へ渡すため、相対リソースURLを元の場所から解決できます。

HTMLテーブルを抽出するC#コード

using Aspose.Html;
using Aspose.Html.Dom;
using System;

// Load the source HTML file
using HTMLDocument document = new HTMLDocument("input.html");

int tableNumber = 1;
foreach (Element table in document.QuerySelectorAll("table"))
{
    // Save each complete table to a separate HTML file
    string outputPath = $"table-{tableNumber}.html";

    using HTMLDocument tableDocument = new HTMLDocument(table.OuterHTML, document.BaseURI);
    tableDocument.Save(outputPath);

    tableNumber++;
}

if (tableNumber == 1)
{
    // Report that the selector returned no tables
    Console.WriteLine("No tables were found in the HTML document.");
}

HTMLからテーブルを抽出する手順

HTMLDocument コンストラクターでソースを読み込みます。
QuerySelectorAll("table") でテーブル要素を選択します。
返された要素を反復し、各テーブルの OuterHTML を読み取ります。
抽出したマークアップとソースのベースURIから新しいHTMLDocumentを作成します。
テーブルごとに固有のファイル名を指定して Save() を呼び出します。

HTMLテーブル抽出のオプションと制限

抽出範囲を選択します。 すべてにはtable、限定するには#price-table、.results table、main tableなどを使用します。
マークアップを保持します。 OuterHTMLには<table>本体、属性、行、セル、入れ子の内容が含まれます。
リソースの基準を保持します。 document.BaseURIにより、相対URLをソースドキュメントに対して解釈できます。
スタイルを個別に扱います。 インラインスタイルは残りますが、<head>内や外部スタイルシートの規則はコピーされません。
マークアップとデータを区別します。 JSONやCSV用のセル値には HTMLテーブルデータの抽出を使用します。

HTMLテーブル抽出のドキュメント

C#でHTMLテーブルを抽出では、選択、行とセル、リンク、出力例を説明しています。データ抽出ではDOM、CSSセレクター、XPath、Webコンテンツ抽出を扱います。

Aspose.HTML for .NET のインストール

.NET CLI を使用して、NuGet から Aspose.HTML for .NET をインストールします。

dotnet add package Aspose.HTML

NuGet パッケージマネージャーの UI を使用するか、パッケージマネージャーコンソールで Install-Package Aspose.HTML を実行することもできます。セットアップの詳細はインストールガイドを参照してください。評価制限なしで API を試すには、一時ライセンスを申請できます。