Convertir HTML a CSV

Una hoja de cálculo, una base de datos o un sistema de análisis puede requerir datos tabulares en CSV en lugar de una página web guardada. Convertir una tabla HTML facilita editar, importar, archivar o procesar sus registros como un archivo de texto sin formato más pequeño.

Qué es el formato HTML

HTML (HyperText Markup Language) es el formato de documento utilizado para las páginas web y los documentos web guardados localmente. Elementos como encabezados, párrafos, enlaces, listas y tablas definen la estructura del documento; CSS controla la presentación, mientras que los scripts pueden generar o modificar el contenido.

Los navegadores y las aplicaciones de oficina, generación de informes, gestión de contenido y web suelen crear archivos .html y .htm. Un archivo HTML puede contener varias tablas junto con navegación, anuncios, imágenes, formularios y datos cargados dinámicamente. Normalmente, solo los datos de la tabla deben incluirse en una exportación CSV.

Qué es el formato CSV

CSV (comma-separated values) es un formato tabular de texto sin formato. Cada registro suele ocupar una línea y los campos están separados por comas. Un campo que contiene una coma, comillas o un salto de línea se encierra entre comillas dobles; una comilla dentro de un campo entrecomillado se representa mediante dos comillas dobles.

Los archivos CSV son compatibles con Microsoft Excel, LibreOffice Calc, Google Sheets, bases de datos, software estadístico y API de importación. CSV es más pequeño y fácil de procesar que HTML, pero no conserva el formato, el diseño de la página, las imágenes, las fórmulas, CSS ni la mayor parte de la estructura del documento. Una URL puede conservarse como texto solo si la tabla de origen o el extractor la proporciona como valor de celda.

Convertir con Microsoft Excel

1. Abra Excel y seleccione File → Open. Seleccione el archivo HTML; elija All Files si no aparece.
2. Revise el contenido importado. Si la página contiene varias tablas, copie la tabla necesaria en una hoja de cálculo nueva. Elimine el texto de navegación, los encabezados, los pies de página, las celdas combinadas y las columnas no relacionadas.
3. Seleccione File → Save As y elija CSV UTF-8 (Comma delimited) (*.csv).
4. Acepte la advertencia de que solo se guardará la hoja de cálculo activa. Exporte cada tabla no relacionada a un archivo CSV independiente.

Excel es adecuado para un número reducido de tablas HTML ordinarias porque permite realizar una limpieza visual antes de la exportación. También puede cambiar valores como identificadores con ceros iniciales, fechas y números largos, por lo que debe dar formato de texto a esas columnas antes de guardar o verificar el CSV resultante.

Convertir con LibreOffice Calc

1. Abra el archivo HTML en LibreOffice Calc y seleccione la tabla o la hoja que contiene los registros necesarios.
2. Seleccione File → Save As, elija Text CSV (.csv) y active Edit filter settings si esa opción está disponible.
3. En el diálogo de exportación, establezca el juego de caracteres en UTF-8, el separador de campos en coma y el delimitador de texto en comillas dobles.
4. Use Save cell contents as shown solo cuando se necesiten los valores mostrados, en lugar de los valores subyacentes de las celdas.

LibreOffice es una alternativa de escritorio gratuita. Su importador HTML puede necesitar correcciones cuando el origen utiliza tablas anidadas, rowspan, colspan o varias tablas no relacionadas.

Extraer tablas con Python

Para una conversión repetible, instale pandas y un analizador HTML:

python -m pip install pandas lxml

Escriba cada tabla HTML detectada en un archivo CSV independiente:

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")

Para exportar solo la primera tabla detectada:

import pandas as pd

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

read_html() extrae elementos <table> reales. No ejecuta JavaScript de la página, no se autentica en un sitio, no sigue la paginación ni recupera contenido cargado después de crear el HTML guardado. Para páginas dinámicas, use la propia exportación del sitio, obtenga la respuesta de la API subyacente o guarde la tabla completamente renderizada antes de extraerla. Inspeccione las tablas con encabezados de varios niveles y aplane o cambie el nombre de esos encabezados antes de escribir el CSV final.

Usar un conversor en línea

Para un archivo independiente y no confidencial, cargue el HTML en un servicio confiable como Convertio o Zamzar, seleccione CSV como formato de salida si actualmente se ofrece HTML-to-CSV, inicie la conversión y descargue el resultado. La compatibilidad y el comportamiento de salida del servicio pueden cambiar, y muchos conversores en línea solo gestionan tablas simples en lugar de páginas renderizadas mediante JavaScript.

No cargue credenciales, registros personales, datos de clientes, informes no publicados ni otro HTML restringido, a menos que las condiciones de conservación, eliminación, cifrado y procesamiento del proveedor sean aceptables. Para datos confidenciales, es preferible utilizar software de escritorio o un script local de Python.

Comprobar el CSV convertido

• Varias tablas: CSV no tiene hojas de cálculo ni un contenedor interno de tablas. Exporte las tablas no relacionadas por separado o combínelas solo cuando sus columnas describan el mismo tipo de registro.
• Extensiones y encabezados: Las celdas HTML que utilizan rowspan o colspan pueden crear campos vacíos, repetidos o desplazados. Compruebe manualmente los nombres de las columnas y el primer y el último registro.
• Codificación: Use UTF-8. UTF-8 with BOM, escrito por utf-8-sig, puede mejorar la detección automática cuando el archivo se abre directamente en versiones antiguas de Excel para Windows. Compruebe los caracteres acentuados y no latinos.
• Delimitadores: CSV es una convención, no un único dialecto completamente estandarizado. La configuración regional de la hoja de cálculo puede requerir punto y coma. Si todos los campos aparecen en una sola columna, importe el archivo y seleccione explícitamente la coma como delimitador.
• Tipos de datos: Los programas de hojas de cálculo pueden eliminar ceros iniciales, redondear identificadores largos, reinterpretar fechas o mostrar valores en notación científica. Importe los códigos postales, números de cuenta, identificadores de productos y campos similares como texto.
• Saltos de línea y comillas: Un CSV válido puede contener campos entrecomillados con comas y saltos de línea incorporados. Pruebe el resultado en la aplicación de destino en lugar de juzgar su validez a partir de una vista previa de texto sin formato.
• Falta de datos dinámicos: Un archivo HTML descargado puede contener solo la estructura inicial de la página. Es posible que los datos cargados mediante JavaScript, sesiones de inicio de sesión, desplazamiento infinito o paginación nunca lleguen al conversor.