Konversi HTML menjadi CSV

Spreadsheet, database, atau sistem analytics mungkin memerlukan data tabular dalam CSV, bukan halaman web yang disimpan. Mengonversi tabel HTML membuat record-nya lebih mudah diedit, diimpor, diarsipkan, atau diproses sebagai file plain-text yang lebih kecil.

Apa itu format HTML

HTML (HyperText Markup Language) adalah format dokumen yang digunakan untuk halaman web dan dokumen web yang disimpan secara lokal. Elemen seperti heading, paragraf, link, daftar, dan tabel menentukan struktur dokumen; CSS mengontrol tampilan, sedangkan script dapat membuat atau mengubah konten.

Browser serta aplikasi office, pelaporan, manajemen konten, dan web biasanya membuat file .html dan .htm. File HTML dapat berisi beberapa tabel bersama navigasi, iklan, gambar, formulir, dan data yang dimuat secara dinamis. Biasanya, hanya data tabel yang termasuk dalam ekspor CSV.

Apa itu format CSV

CSV (comma-separated values) adalah format tabular plain-text. Setiap record biasanya menempati satu baris, dan field dipisahkan dengan koma. Field yang berisi koma, tanda kutip, atau line break diapit tanda kutip ganda; tanda kutip di dalam field yang diapit tanda kutip direpresentasikan dengan dua tanda kutip.

File CSV didukung oleh Microsoft Excel, LibreOffice Calc, Google Sheets, database, software statistik, dan import API. CSV berukuran lebih kecil dan lebih mudah diproses daripada HTML, tetapi tidak mempertahankan pemformatan, tata letak halaman, gambar, formula, CSS, atau sebagian besar struktur dokumen. URL hanya dapat dipertahankan sebagai teks jika tabel sumber atau extractor menyediakannya sebagai nilai cell.

Konversi dengan Microsoft Excel

1. Buka Excel dan pilih File → Open. Pilih file HTML; pilih All Files jika file tersebut tidak ditampilkan.
2. Periksa konten yang diimpor. Jika halaman berisi beberapa tabel, salin tabel yang diperlukan ke worksheet baru. Hapus teks navigasi, heading, footer, cell yang digabungkan, dan kolom yang tidak terkait.
3. Pilih File → Save As dan pilih CSV UTF-8 (Comma delimited) (*.csv).
4. Setujui peringatan bahwa hanya worksheet aktif yang akan disimpan. Ekspor setiap tabel yang tidak terkait ke file CSV terpisah.

Excel cocok untuk sejumlah kecil tabel HTML biasa karena memungkinkan pembersihan visual sebelum ekspor. Excel juga dapat mengubah nilai seperti identifier dengan nol di awal, tanggal, dan angka panjang, jadi format kolom tersebut sebagai teks sebelum menyimpan atau periksa CSV yang dihasilkan.

Konversi dengan LibreOffice Calc

1. Buka file HTML di LibreOffice Calc dan pilih tabel atau sheet yang berisi record yang diperlukan.
2. Pilih File → Save As, pilih Text CSV (.csv), dan aktifkan Edit filter settings jika opsi tersebut tersedia.
3. Dalam dialog ekspor, atur character set ke UTF-8, field separator ke koma, dan text delimiter ke tanda kutip ganda.
4. Gunakan Save cell contents as shown hanya jika nilai yang ditampilkan, bukan nilai cell yang mendasarinya, diperlukan.

LibreOffice adalah alternatif desktop gratis. HTML importer-nya mungkin memerlukan perbaikan ketika sumber menggunakan tabel bersarang, rowspan, colspan, atau beberapa tabel yang tidak terkait.

Ekstrak tabel dengan Python

Untuk konversi yang dapat diulang, instal pandas dan HTML parser:

python -m pip install pandas lxml

Tulis setiap tabel HTML yang terdeteksi ke file CSV terpisah:

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")

Untuk mengekspor hanya tabel pertama yang terdeteksi:

import pandas as pd

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

read_html() mengekstrak elemen <table> yang sebenarnya. Fungsi ini tidak menjalankan JavaScript halaman, melakukan autentikasi ke situs, mengikuti pagination, atau memulihkan konten yang dimuat setelah HTML yang disimpan dibuat. Untuk halaman dinamis, gunakan ekspor milik situs, dapatkan respons API yang mendasarinya, atau simpan tabel yang telah dirender sepenuhnya sebelum ekstraksi. Periksa tabel dengan header multi-level dan ratakan atau ubah nama header tersebut sebelum menulis CSV final.

Gunakan online converter

Untuk file yang tidak bersifat rahasia dan berdiri sendiri, upload HTML ke service bereputasi seperti Convertio atau Zamzar, pilih CSV sebagai format output jika HTML-to-CSV sedang ditawarkan, mulai konversi, lalu download hasilnya. Dukungan dan perilaku output service dapat berubah, dan banyak online converter hanya menangani tabel sederhana, bukan halaman yang dirender oleh JavaScript.

Jangan upload kredensial, record pribadi, data pelanggan, laporan yang belum dipublikasikan, atau HTML terbatas lainnya kecuali ketentuan provider terkait retensi, penghapusan, enkripsi, dan pemrosesan dapat diterima. Software desktop atau script Python lokal lebih disarankan untuk data sensitif.

Periksa CSV yang dikonversi

• Beberapa tabel: CSV tidak memiliki worksheet atau container tabel internal. Ekspor tabel yang tidak terkait secara terpisah, atau gabungkan hanya jika kolomnya menjelaskan jenis record yang sama.
• Span dan header: Cell HTML yang menggunakan rowspan atau colspan dapat membuat field kosong, berulang, atau bergeser. Periksa nama kolom serta record pertama dan terakhir secara manual.
• Encoding: Gunakan UTF-8. UTF-8 with BOM, yang ditulis oleh utf-8-sig, dapat meningkatkan deteksi otomatis saat file dibuka langsung di Excel versi Windows yang lebih lama. Periksa karakter beraksen dan non-Latin.
• Delimiter: CSV adalah konvensi, bukan dialect tunggal yang sepenuhnya terstandardisasi. Pengaturan spreadsheet regional mungkin mengharapkan titik koma. Jika semua field muncul dalam satu kolom, impor file tersebut dan pilih koma secara eksplisit sebagai delimiter.
• Jenis data: Program spreadsheet dapat menghapus nol di awal, membulatkan identifier panjang, menafsirkan ulang tanggal, atau menampilkan nilai dalam notasi ilmiah. Impor kode pos, nomor akun, ID produk, dan field serupa sebagai teks.
• Line break dan tanda kutip: CSV yang valid dapat berisi field yang diapit tanda kutip dengan koma dan line break di dalamnya. Uji output di aplikasi target, bukan menilai validitasnya dari preview plain-text.
• Data dinamis yang hilang: File HTML yang didownload mungkin hanya berisi shell halaman awal. Data yang dimuat melalui JavaScript, sesi login, infinite scrolling, atau pagination mungkin tidak pernah sampai ke converter.