网页表格保存为 CSV 文件

CSV 文件是所有电子表格和数据库都能读取的纯文本。将网页表格转成这种格式并不难，难点在于如何避免乱码、分隔符错误或前导零丢失。本文将介绍四种方法及其各自的适用场景与局限性。

1. 复制，粘贴到 Excel 中，然后另存为

选中表格并将其复制，粘贴到一个空白的 Excel 工作表中，接着使用“文件”菜单中的“另存为”命令，并将文件类型选择为 CSV UTF-8。

适用场景：手头正好开着 Excel，且只需要处理一次的小表格。

局限：如果选择了普通的 CSV 类型而不是 CSV UTF-8，Windows 编码范围之外的所有字符（重音符号、西里尔字母、中文）都会变成问号。Excel 还会写入你在 Windows 区域设置中配置的分隔符，因此在许多欧洲系统上，你以为的“逗号分隔”文件实际上会变成用分号分隔，导致后续读取的程序无法正确识别。此外，粘贴操作还可能会丢掉前导零（例如将 01234 变成 1234）并将 1-2 这样的数值误识别为日期，同时选区还可能会把表格周围的多余文字一并抓进去。

2. Google 表格：粘贴，然后下载

将表格粘贴到一个 Google 表格文件中，随后打开“文件”菜单，点击“下载”，并选择逗号分隔值 (.csv) 格式。

适用场景：任何配有浏览器的电脑，无需安装 Excel，且能确保文件始终为 UTF-8 编码。

局限：下载的文件总是使用逗号分隔。当你在小数点为逗号的地区双击打开它时，Excel 可能无法正确将其拆分为多列。下载范围仅限当前正在查看的工作表，而非整个文件。与 Excel 类似，Google 表格在粘贴时也可能会把某些数值自动转换为日期或数字。

3. Python：pandas.read_html

如果你平时就在使用 Python，可以通过 pandas 读取页面上的所有表格并将其写入 CSV：

pandas.read_html("https://example.com/page")[0].to_csv("table.csv", index=False)

方括号中的数字代表表格在页面上的位置（0 表示第一个）。使用此方法需要提前安装 pandas 和 lxml。

适用场景：需要编写脚本每周定时抓取同一个页面，或者需要批量抓取成百上千个页面。

局限：部分网站会返回 403 错误拒绝请求，因为脚本的访问特征不像真实浏览器，因此你可能需要先手动下载页面，再将 HTML 传入 pandas。它无法访问需要登录后才能查看的页面，也无法获取由 JavaScript 在页面加载后动态渲染出来的表格。脚注标记（如 [1]）会保留在表头和数值中，并且一旦某列中存在缺失的单元格，整列的整数就可能会变成带小数点的格式（例如 8021407192.0）。

4. 浏览器扩展：在你正在阅读的页面上一键搞定

扩展程序可以直接在浏览器当前显示的页面上运行，因此它同样适用于需要登录的页面以及通过 JavaScript 构建的表格。我们开发了一款这样的工具——Ordelio 表格复制（免费且无行数限制）：

1. 打开页面并点击扩展图标（或按下 Alt+Shift+Y）。它会列出页面上的所有表格，面积最大的排在最前面；将鼠标悬停在上方即可高亮显示。
2. 点击 CSV：浏览器便会直接将包含该表格的文件保存下来。中文等字符不会乱码，因为文件采用的是带有字节顺序标记（BOM）的 UTF-8 编码，以便 Excel 能够正确识别；并且如果你的系统语言使用逗号作为小数点，分隔符会自动设为分号（你也可以在选项中强制使用逗号、分号或制表符）。

它还会自动移除诸如 [1] 的脚注标记，重复合并的单元格以保持各列对齐，并将如 01234 这样的代码原封不动地写入文件，与页面上显示的一致（打开文件的电子表格程序可能仍会将其转为数字）。

局限：它保存的是页面当前的内容，因此跨越多页的表格需要逐页保存，且无法像脚本那样实现文件的自动更新。

获取适用于 Microsoft Edge 的 Ordelio 表格复制 Chrome 和 Firefox 版本：正在审核中。

该选哪种方法

简而言之：对于需要在公开页面上每周运行一次的脚本，请使用 pandas。对于你正在阅读的页面上临时产生的小需求（尤其是需要登录的页面），直接从页面上保存即可。

遇到以上所有方法都无法处理的表格？告诉我们，我们会认真阅读每一条留言。