如何从许多 html 文件中提取表格到一个 csv 文件？

html可能是非常混乱的。因此我建议使用比bash脚本更高级的东西。既然你已经用python标签（在后来的编辑中正确地替换成了bash标签）标记了这个问题，我们就用 蟒蛇与BeautifulSoup .

EDIT: 在对这个答案的评论中，OP的作者澄清了OP真正想要的东西。

<td class="bzt">data12</td></code>
Additionally collect data from a link in the src attribute of one or more script tags in the same html file.
<script src="hq.sohujs.cn/list=data18" type="text/javascript" charset="gbk"></script>
对当前工作目录中的所有html文件执行1.和2.。
将其保存为csv表，字段用TAB（"\t"）分隔。
python3和BeautifulSoup的工作方案
我扩展了这个答案的早期版本的脚本来做到这一点，并在评论中添加了一些解释。
"""module import"""
from bs4 import BeautifulSoup
import glob
"""obtain list of all html files in cwd"""
filenames = glob.glob("*.html")
for filename in filenames:
    """parse each file with bs4"""
    soup = BeautifulSoup(open(filename), 'html.parser')
    """obtain data from td tags"""
    tdTextList = [td.text.strip().replace("\n","") for td in soup.find_all("td")]
    """clean data: remove empty strings"""
    tdTextList = [td for td in tdTextList if not td=='']
    """obtain data from script tag attributes"""
    scriptTags = soup.findAll("script")
    for elementTag in scriptTags:
        src_attribute = elementTag.attrs.get("src")
        if src_attribute is not None:
            src_elements = src_attribute.split("=")
            if len(src_elements) > 1:
                tdTextList.append(src_elements[1])
    """write data to output002.csv"""
    with open("output002.csv", "a") as outputfile:
        for tdText in tdTextList:
            outputfile.write(tdText)
            outputfile.write("\t")
        outputfile.write("\n")
How to run
在html文件所在的目录下的终端上，执行。
python3 <script_name.py>
另外，你也可以在脚本的开头将工作目录移到正确的位置（html文件所在的位置）。
import os
os.chdir("</path/to/directory>")
python2和BeautifulSoup的工作方案
由于OP的作者要求提供一个python2的版本，我在这里提供一个。与上面的python3版本的唯一区别是文件处理程序（python2使用file()，而不是open()）。
"""module import"""
from bs4 import BeautifulSoup
import glob
"""obtain list of all html files in cwd"""
filenames = glob.glob("*.html")
for filename in filenames:
    """parse each file with bs4"""
    soup = BeautifulSoup(file(filename), 'html.parser')
    """obtain data from td tags"""
    tdTextList = [td.text.strip().replace("\n","") for td in soup.find_all("td")]
    """clean data: remove empty strings"""
    tdTextList = [td for td in tdTextList if not td=='']
    """obtain data from script tag attributes"""
    scriptTags = soup.findAll("script")
    for elementTag in scriptTags:
        src_attribute = elementTag.attrs.get("src")
        if src_attribute is not None:
            src_elements = src_attribute.split("=")
            if len(src_elements) > 1:
                tdTextList.append(src_elements[1])
    """write data to output002.csv"""
    with file("output002.csv", "a") as outputfile:
        for tdText in tdTextList:
            outputfile.write(tdText)
            outputfile.write("\t")
        outputfile.write("\n")
运行python2版本与上面的python3相类似。
本答案的旧版本
下面的脚本做了你描述的事情。
收集当前目录中所有html文件的内容
把它们写到带有标签分隔符的csv中。
这里有一个脚本的例子。
from bs4 import BeautifulSoup
import glob
filenames = glob.glob("*.html")
tdTextList = []
for filename in filenames:
    soup = BeautifulSoup(open(filename), 'html.parser')
    tdTextList += [td.text for td in soup.find_all("td")]
with open("output001.csv", "w") as outputfile:
    for tdText in tdTextList:
        outputfile.write(tdText)
        outputfile.write("\t")
这就是你描述的情况。这可能不是你想要的。
请注意，这将产生一个有很长一行的文件（你没有指定何时需要新的一行）。如果任何一个td标签的内容包含一个换行符，它可能会意外地产生一个畸形的文件。
为了使输出文件看起来更漂亮一些，让我们为每一个被读取的html文件写一个新行，并且让我们在将数据写入输出之前，将前导和尾部的空格以及换行符去除。
from bs4 import BeautifulSoup
import glob
filenames = glob.glob("*.html")
for filename in filenames:
    soup = BeautifulSoup(open(filename), 'html.parser')
    tdTextList = [td.text.strip().replace("\n","") for td in soup.find_all("td")]
    with open("output002.csv", "a") as outputfile:
        for tdText in tdTextList:
            outputfile.write(tdText)
            outputfile.write("\t")
        outputfile.write("\n")
注意：你可以用bash shell运行这两个脚本。