Convertir HTML en CSV

Un tableur, une base de données ou un système d’analyse peut nécessiter des données tabulaires au format CSV plutôt qu’une page web enregistrée. La conversion d’un tableau HTML facilite la modification, l’importation, l’archivage ou le traitement de ses enregistrements sous la forme d’un fichier texte brut de plus petite taille.

Qu’est-ce que le format HTML ?

HTML (HyperText Markup Language) est le format de document utilisé pour les pages web et les documents web enregistrés localement. Des éléments tels que les titres, les paragraphes, les liens, les listes et les tableaux définissent la structure du document ; CSS contrôle la présentation, tandis que les scripts peuvent générer ou modifier le contenu.

Les navigateurs ainsi que les applications bureautiques, de création de rapports, de gestion de contenu et web créent couramment des fichiers .html et .htm. Un fichier HTML peut contenir plusieurs tableaux ainsi que des éléments de navigation, des publicités, des images, des formulaires et des données chargées dynamiquement. Seules les données du tableau sont normalement incluses dans une exportation CSV.

Qu’est-ce que le format CSV ?

CSV (comma-separated values) est un format tabulaire en texte brut. Chaque enregistrement occupe généralement une ligne et les champs sont séparés par des virgules. Un champ contenant une virgule, un guillemet ou un saut de ligne est placé entre guillemets doubles ; un guillemet à l’intérieur d’un champ entre guillemets est représenté par deux guillemets.

Les fichiers CSV sont pris en charge par Microsoft Excel, LibreOffice Calc, Google Sheets, les bases de données, les logiciels statistiques et les API d’importation. Le format CSV est plus petit et plus facile à traiter que HTML, mais il ne conserve pas la mise en forme, la mise en page, les images, les formules, CSS ni la plupart de la structure du document. Une URL peut être conservée sous forme de texte uniquement si le tableau source ou l’extracteur la fournit comme valeur de cellule.

Convertir avec Microsoft Excel

1. Ouvrez Excel et choisissez File → Open. Sélectionnez le fichier HTML ; choisissez All Files s’il n’est pas affiché.
2. Vérifiez le contenu importé. Si la page contient plusieurs tableaux, copiez le tableau requis dans une nouvelle feuille de calcul. Supprimez le texte de navigation, les titres, les pieds de page, les cellules fusionnées et les colonnes sans rapport.
3. Choisissez File → Save As et sélectionnez CSV UTF-8 (Comma delimited) (*.csv).
4. Acceptez l’avertissement indiquant que seule la feuille de calcul active sera enregistrée. Exportez chaque tableau sans rapport dans un fichier CSV distinct.

Excel convient à un petit nombre de tableaux HTML ordinaires, car il permet un nettoyage visuel avant l’exportation. Il peut également modifier des valeurs telles que les identifiants commençant par des zéros, les dates et les nombres longs : formatez donc ces colonnes comme du texte avant l’enregistrement ou vérifiez le CSV obtenu.

Convertir avec LibreOffice Calc

1. Ouvrez le fichier HTML dans LibreOffice Calc et sélectionnez le tableau ou la feuille contenant les enregistrements requis.
2. Choisissez File → Save As, sélectionnez Text CSV (.csv) et activez Modifier les paramètres du filtre si cette option est disponible.
3. Dans la boîte de dialogue d’exportation, définissez le jeu de caractères sur UTF-8, le séparateur de champs sur la virgule et le délimiteur de texte sur les guillemets doubles.
4. Utilisez Save cell contents as shown uniquement lorsque les valeurs affichées, plutôt que les valeurs sous-jacentes des cellules, sont requises.

LibreOffice est une alternative de bureau gratuite. Son importateur HTML peut nécessiter des corrections lorsque la source utilise des tableaux imbriqués, rowspan, colspan ou plusieurs tableaux sans rapport.

Extraire des tableaux avec Python

Pour une conversion reproductible, installez pandas et un analyseur HTML :

python -m pip install pandas lxml

Écrivez chaque tableau HTML détecté dans un fichier CSV distinct :

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")

Pour exporter uniquement le premier tableau détecté :

import pandas as pd

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

read_html() extrait les éléments <table> réels. Il n’exécute pas le JavaScript de la page, ne s’authentifie pas auprès d’un site, ne suit pas la pagination et ne récupère pas le contenu chargé après la création du fichier HTML enregistré. Pour les pages dynamiques, utilisez l’exportation propre au site, obtenez la réponse de l’API sous-jacente ou enregistrez le tableau entièrement rendu avant l’extraction. Examinez les tableaux dotés d’en-têtes à plusieurs niveaux et aplatissez ou renommez ces en-têtes avant d’écrire le CSV final.

Utiliser un convertisseur en ligne

Pour un fichier autonome et non confidentiel, téléversez le fichier HTML vers un service réputé tel que Convertio ou Zamzar, sélectionnez CSV comme format de sortie si la conversion HTML vers CSV est actuellement proposée, lancez la conversion et téléchargez le résultat. La prise en charge des services et le comportement de sortie peuvent changer, et de nombreux convertisseurs en ligne ne gèrent que les tableaux simples plutôt que les pages rendues par JavaScript.

Ne téléversez pas d’identifiants, de dossiers personnels, de données clients, de rapports non publiés ni d’autres fichiers HTML à accès restreint, sauf si les conditions du fournisseur concernant la conservation, la suppression, le chiffrement et le traitement vous conviennent. Un logiciel de bureau ou un script Python local est préférable pour les données sensibles.

Vérifier le CSV converti

• Plusieurs tableaux : un fichier CSV ne possède ni feuilles de calcul ni conteneur de tableaux interne. Exportez les tableaux sans rapport séparément ou combinez-les uniquement lorsque leurs colonnes décrivent le même type d’enregistrement.
• Fusions et en-têtes : les cellules HTML utilisant rowspan ou colspan peuvent créer des champs vides, répétés ou décalés. Vérifiez manuellement les noms de colonnes ainsi que les premier et dernier enregistrements.
• Encodage : utilisez UTF-8. UTF-8 with BOM, écrit par utf-8-sig, peut améliorer la détection automatique lorsque le fichier est ouvert directement dans les anciennes versions de Excel pour Windows. Vérifiez les caractères accentués et non latins.
• Délimiteurs : CSV est une convention plutôt qu’un dialecte unique entièrement normalisé. Les paramètres régionaux des tableurs peuvent exiger des points-virgules. Si tous les champs apparaissent dans une seule colonne, importez le fichier et sélectionnez explicitement la virgule comme délimiteur.
• Types de données : les tableurs peuvent supprimer les zéros initiaux, arrondir les identifiants longs, réinterpréter les dates ou afficher les valeurs en notation scientifique. Importez les codes postaux, numéros de compte, identifiants de produits et champs similaires comme du texte.
• Sauts de ligne et guillemets : un fichier CSV valide peut contenir des champs entre guillemets avec des virgules et des sauts de ligne intégrés. Testez le résultat dans l’application cible au lieu d’évaluer sa validité à partir d’un aperçu en texte brut.
• Données dynamiques manquantes : un fichier HTML téléchargé peut ne contenir qu’une structure initiale de page. Les données chargées par JavaScript, les sessions de connexion, le défilement infini ou la pagination peuvent ne jamais parvenir au convertisseur.