一. 前言:表格明明在網頁上,貼進試算表卻歪掉 #
你想整理一份課程時間表。 網頁上看起來整整齊齊,一貼進試算表,卻多出空白列, 課名和老師名字還黏在同一格。
拍拍君今天不做大型爬蟲,只完成一件事: 讀取一張普通 HTML 表格,把每列內容存成 CSV。 之後可以用 Excel、LibreOffice,或你熟悉的資料工具打開。
先用本機檔案練習,不用登入、不受網站改版影響。 下載完整練習包,解壓縮後就有範例和程式; 也可以照著本文逐段建立。 所有課程與人物都是虛構練習資料。
這篇重點是「從 HTML 找出儲存格」,不是重教 CSV 格式。 想深入引號、分隔符號與讀寫方法,可以接著看 Python csv 教學。
二. 安裝:套件叫 beautifulsoup4,匯入叫 bs4 #
建立新的練習資料夾,終端機切到裡面。
以下指令使用 python;如果你的系統只有 python3,請相應替換。
python -m venv .venv
macOS / Linux 啟用環境:
source .venv/bin/activate
Windows PowerShell 啟用環境:
.\.venv\Scripts\Activate.ps1
安裝 BeautifulSoup:
python -m pip install beautifulsoup4
BeautifulSoup 負責把 HTML 變成可搜尋的樹狀物件。
本文搭配 Python 內建的 html.parser,不必另外安裝解析器。
csv 和 pathlib 也都是標準庫。
本文使用 Python 3.14.3、BeautifulSoup 4.15.0 實際執行並核對輸出。
三. 先準備一張看得懂的小表格 #
建立 schedule.html,存成 UTF-8:
<!doctype html>
<html lang="zh-Hant">
<head><meta charset="utf-8"><title>拍拍學習社</title></head>
<body>
<h1>週末課程</h1>
<table id="schedule">
<thead>
<tr><th>星期</th><th>課程</th><th>講師</th></tr>
</thead>
<tbody>
<tr>
<td>六</td><td><a href="/courses/python">Python 入門</a></td>
<td>拍拍君</td>
</tr>
<tr>
<td>六</td><td>資料整理<br>練習班</td><td>拍拍醬</td>
</tr>
<tr>
<td>日</td><td>寫作 & 筆記</td><td>chatPTT</td>
</tr>
</tbody>
</table>
</body>
</html>
用瀏覽器打開它,就能看到一份三欄、三筆課程的表格。
其中刻意放了連結、換行與 &,
模擬「畫面很簡單,原始碼卻不只有文字」的情況。
先記住幾個標籤即可:
| 標籤 | 在本文的角色 |
|---|---|
table |
整張表格 |
tr |
一列 |
th |
標題儲存格 |
td |
資料儲存格 |
thead / tbody |
標題區與資料區 |
不用背完 HTML,也不用寫正規表達式猜標籤邊界。 我們要讀的是結構,不是把所有尖括號刪掉。
四. 第一份成果:十幾行就能存出 CSV #
建立 quick_export.py,貼上:
import csv
from pathlib import Path
from bs4 import BeautifulSoup
html = Path("schedule.html").read_text(encoding="utf-8")
soup = BeautifulSoup(html, "html.parser")
table = soup.select_one("table#schedule")
if table is None:
raise ValueError("找不到課程表")
rows = []
for tr in table.select("tr"):
cells = tr.find_all(["th", "td"], recursive=False)
rows.append([" ".join(c.get_text(" ", strip=True).split()) for c in cells])
with open("schedule.csv", "w", encoding="utf-8-sig", newline="") as f:
csv.writer(f).writerows(rows)
print(f"已匯出 {len(rows) - 1} 筆課程")
執行:
python quick_export.py
終端機顯示 已匯出 3 筆課程。
同一個資料夾裡會出現 schedule.csv,文字內容如下:
星期,課程,講師
六,Python 入門,拍拍君
六,資料整理 練習班,拍拍醬
日,寫作 & 筆記,chatPTT
連結只留下課名,<br> 變成空格,HTML 實體還原成 &。
原始的 schedule.html 不會被修改。
這份簡短版本專門搭配上面的固定範例;
若要換成其他網頁,接著使用下面有檢查的完整版本。
五. 看懂三個動作:選表格、找格子、取文字 #
1. 用選擇器定位,而不是拿第一張表碰運氣 #
table#schedule 的意思是「id 為 schedule 的 table」。
如果網頁還有導覽表格或其他資料,這樣不容易抓錯張。
實際網站可能使用 class,例如 table.course-list。
可以在瀏覽器檢查元素,找到能明確代表目標表格的標記。
不要直接把所有 td 混成一大串,列的關係會不見。
2. 每次處理一列,再處理這一列的儲存格 #
recursive=False 讓 find_all 只找 tr 的直接子節點。
我們要的是外層欄位,而不是把巢狀小表格的格子也當成新欄位。
不過「沒有多抓欄位」不代表支援巢狀表格。 本文完整版本會直接拒絕那種版型,避免默默混入文字。
3. 先取文字,再整理排版空白 #
get_text(" ", strip=True) 把子節點文字用空格隔開。
再用 split() 加 join(),把連續空白、換行與不斷行空白統一成一格。
這是本例課程名稱想要的效果,但不適合詩句或程式碼。 如果儲存格的換行本身有意義,就不能把這個清理規則照單全收。 另外,這裡只取可解析的文字,不會保留超連結網址或樣式。
六. 完整版本:換一張表,也先看有沒有抓對 #
下面整理成 export_table.py。
它只接受「第一列是標題、每列欄數相同、沒有合併儲存格」的表格。
遇到不符合的輸入會先報錯,不會產生一份看似成功卻錯位的 CSV。
import csv
from pathlib import Path
from bs4 import BeautifulSoup
def table_rows(html, selector="table#schedule"):
soup = BeautifulSoup(html, "html.parser")
table = soup.select_one(selector)
if table is None or table.name != "table":
raise ValueError("找不到目標 table,請檢查選擇器")
if table.find("table") is not None:
raise ValueError("本文範例不處理巢狀表格")
rows = []
for tr in table.find_all("tr"):
cells = tr.find_all(["th", "td"], recursive=False)
if not cells:
continue
if any(c.get("rowspan", "1") != "1"
or c.get("colspan", "1") != "1" for c in cells):
raise ValueError("請改用沒有合併儲存格的表格")
if not rows and not all(c.name == "th" for c in cells):
raise ValueError("第一列必須是 th 標題")
row = [" ".join(c.get_text(" ", strip=True).split()) for c in cells]
if rows and len(row) != len(rows[0]):
raise ValueError("有一列欄數不同,請先檢查 HTML")
rows.append(row)
if len(rows) < 2:
raise ValueError("需要一列標題與至少一列資料")
return rows
def export_table(source, target, selector="table#schedule"):
source, target = Path(source), Path(target)
if source.resolve() == target.resolve():
raise ValueError("輸入與輸出不可使用同一路徑")
html = source.read_text(encoding="utf-8-sig")
rows = table_rows(html, selector)
with target.open("w", encoding="utf-8-sig", newline="") as f:
csv.writer(f).writerows(rows)
return len(rows) - 1
if __name__ == "__main__":
count = export_table("schedule.html", "schedule.csv")
print(f"已匯出 {count} 筆課程到 schedule.csv")
執行方式沒有變:
python export_table.py
若要換表格,在最後的 export_table(...) 傳入另一個選擇器即可。
表格可以直接放 tr,也可以有 thead、tbody,程式都能走訪。
輸出若已存在會被覆寫;想保留上次成果,就先換個輸出檔名。
不用把這段改造成萬用網頁解析器。 先明確支援自己手上那一張表,比「好像什麼都能抓」可靠得多。
七. 打開 CSV:中文、逗號與看不見的細節 #
本文選 utf-8-sig,是在 UTF-8 檔案開頭加上 BOM,
方便某些試算表軟體在直接開檔時辨識中文。
如果要交給明確要求無 BOM 的系統,可改成 utf-8。
newline="" 則把換行處理交給 csv 模組。
不要自己用 ",".join(row) 拼接:課名裡真的有逗號時會切成兩欄。
csv.writer 會處理必要的引號,不必手動替換標點。
開啟後先對照原始表格:
- 標題是不是「星期、課程、講師」?
- 資料是不是三筆,而不是把標題也算成課程?
- 第二筆是否完整顯示「資料整理 練習班」?
CSV 只保存值,不會保留底色、欄寬與超連結。 試算表也可能自動轉換日期或前導零;需要保留文字時,用匯入功能指定文字欄。 另外,CSV 引號不是公式防護:若未來改抓不可信來源, 不要直接雙擊開啟含公式開頭的儲存格,應先檢查內容並以文字匯入。 本篇練習資料沒有公式。
八. 換成真正網站之前,先確認表格在哪裡 #
在瀏覽器「檢視網頁原始碼」裡搜尋一個課名。
如果找得到 <table> 和資料,才適合沿用今天的方式。
瀏覽器畫面看得到,不代表下載的 HTML 就有。 有些網站用 JavaScript 另外載入資料;BeautifulSoup 不會執行 JavaScript, 也不會幫你操作登入或點分頁。 這時先找網站提供的 CSV 下載或公開資料介面,通常更省事。
若來源允許下載,可先把正確的靜態表格另存成 UTF-8 HTML, 再把檔名與選擇器換進程式。 進一步用程式下載頁面時,請參考 Requests 教學,保留 timeout 並檢查 HTTP 狀態。 下載和解析是兩個階段,這裡不另建爬蟲框架。
若遇到合併標題、跨列儲存格或表格內再嵌表格,
先使用網站的匯出功能,或換一份簡單的資料來源。
直接忽略 rowspan / colspan 只會把資料擠歪,不是支援它們。
九. 小練習:改完資料,看看結果有沒有跟著變 #
先新增一列「日、筆記整理、拍拍君」,再次執行程式。 應該顯示四筆資料,而且 CSV 只多出那一列。
接著把其中一個課名改成 筆記, 清單與整理。
用試算表打開結果,課名仍應留在同一欄,不能分裂成兩格。
最後,把 id="schedule" 改成 id="courses"。
程式應該回報找不到表格;把選擇器改成 table#courses 後,才會成功。
這三個動作能幫你確認:自己不是只剛好跑出一份檔案。
結語:先整理好一張表,就已經很有用 #
今天的路線很短:讀 HTML、定位表格、逐列取文字,最後交給 CSV writer。 真正省下來的不是打字時間,而是少了一次又一次複製貼上後的人工對齊。
先從你看得懂的小表格開始。 確認輸出能用,再換成日常要整理的那張表;不必第一天就寫全站爬蟲。 拍拍君覺得,讓一件重複小事消失,就是很好的自動化起點。
延伸閱讀 #
- Beautiful Soup 官方文件:查詢、選擇器與文字擷取。
- Python csv 官方文件:標準庫的讀寫介面。
- Python csv:讀寫與格式細節:想繼續處理 CSV 時再看。
- Python Requests:下載與 HTTP 錯誤處理:把資料取得和 HTML 解析分開。