网页资料怎么提取成表格？两条HTML记录、选择器与缺失值核对

01从可看见全部输入的HTML开始

这份源码由编辑构造，不是某家公司报表。Beta故意缺少amount元素，便于检查工具是否把缺失值伪装成0。来源地址只用于本次练习补全相对链接；example.com不是已验证的报告下载站。

1. 1
   打开结构化提取，选择“粘贴源码”，填来源地址https://example.com/reports/，保留末尾斜杠，再粘贴本节HTML示例。
2. 2
   记录CSS选择器填.entry。把字段设置成下表中的三项，删除不需要的示例字段，确认字段名不重复。
3. 3
   确认你有权处理这些材料后发起提取。真实任务不应粘贴登录凭据、私有后台源码或把访问受限误当成需要绕过的故障。

<!doctype html>
<html lang="en"><body>
<article class="entry">
  <h2 class="name">Alpha</h2>
  <span class="amount">12.00</span>
  <a href="2026/alpha">Report</a>
</article>
<article class="entry">
  <h2 class="name">Beta</h2>
  <a href="2026/beta">Report</a>
</article>
</body></html>

02字段配置、两行答案与错误定位

1. 1
   先核对记录数为2，再核对每个字段。amount是提取的文字12.00，不代表已经完成金额单位或数据类型转换。
2. 2
   导出JSON保留解析方式、来源地址及时间背景；若交付CSV/Excel，另附来源账本，至少写明本例为粘贴源码、来源地址、处理时间及Beta字段缺失。不要假设每个格式都自动保留外层信息。
3. 3
   重新打开导出文件，确认两条完整链接、Alpha金额和Beta空白。写出“Beta：当前源码无amount，待核对”，需要计算时把未解决记录单独列出。

0行先查.entry是否拼错；有2行但字段都空，先查字段选择器；只有1行且两条记录混在一起，检查是否把body当作记录。网页显示有值而源码没有时，静态提取无法补出脚本加载内容，应使用有权取得的原始文件或另存源码重新核查。

03用三页账本说明完成了什么，比“采集成功”更有用

自编调研只需要同一站点的三篇公开说明页。第一页成功取得标题和正文；第二页能访问但静态源码没有所需正文；第三页访问受限。正确的报告不是“共三页，第三页零条数据”，而是分别记录成功提取、未在可解析源码中取得、未取得访问结果。缺口的成因不同，后续动作也不同。

账本应把原始 URL、最终 URL、采集时间、所需字段和结果放在一起。重定向后的最终页若变成首页，就不能把首页正文挂在原文章标题下。只有标题提取成功也不能把正文完整度写成 100%；先对照开头、中间一节与结尾，再判断这次提取适用于哪种问题。

04源码没有正文、选择器没命中与网页没有内容，分别判断

网页正文工具及同系列解析器读取公开静态 HTML/XML，不执行页面 JavaScript。若浏览器中看到文字而提取为空，先检查获得的源码是否包含那段文字。源码中有文字但自定义字段为空，优先检查 CSS 记录选择器和记录内部的字段选择器；源码中没有文字，则可能需要来源允许的现有导出，继续改选择器不会生成缺失数据。

先用一个正常页和一个缺字段页测试。正常页确认字段定位，缺字段页确认空值保留方式，避免所有行都套用上一行值。粘贴源码也会发送到解析服务，不属于离线处理。不要为填满表格而绕过登录或访问限制；把未取得的字段及原因写进交付物，保留能核对的部分即可。

05清洗 URL 之前，先判断参数与锚点是不是内容身份

自编 URL /report?year=2025&utm_source=mail 与 /report?year=2026&utm_source=mail 的 year 不同，可能对应两份报告；去掉所有查询参数会错误合并。URL 清单工具可清除常见追踪参数，但保留其他参数及顺序。它只清洗文本，不访问页面，因此“清洗后保留”不能解释成“页面有效”。基于 #/ 路由的网站还可能把锚点当作页面身份，移除前应另查。

资料交付至少包含清洗清单、排除项与提取结果。JSON 下载保留本次结果的来源模式、sourceUrl 和 collectedAt 等外层信息；仅交 CSV 时另附来源账本，避免采集背景在扁平行中丢失。若要保存原始网页，应按允许的方式另行留存；结构化 JSON 不是自动保存了每个页面的完整原始 HTML。

06输入不同或继续处理时，再选这些工具

• 整理网址清单: 清洗和筛选起始网址，同时保留有意义的查询参数并记录排除项。
• 检查 robots 规则: 检查相关路径与 user agent；robots 说明不授予访问或再利用权利。
• 读取 Sitemap 或 RSS: 把发现的网址作为候选，再核查是否当前有效、符合范围且可访问。
• 提取网页正文与元信息: 将标题、正文与元信息对照来源；去除导航时也可能漏掉有用章节。
• 提取网页链接: 检查解析后的相对地址，区分导航链接与任务所需证据链接。
• 查看图片资源: 保留来源页与资源地址，检查懒加载候选，复用照片前核实许可。
• 提取公开表格: 导出前将合并表头、单位、脚注与行数对照可见表格。
• 提取自定义字段: 用正常页和缺失字段页测试选择器或字段规则，再检查提取值。
• 保存网页资料包: 给资料记录标明来源和问题；描述监测变化前应对照实际网页。
• 检查站点交付: 将扫描限制在目标域内，导出报告前核实提示的死链和图片失败。
• 生成 SEO 文本文件: 按确认的规范网址与路径规则生成 Sitemap 和 robots.txt，再检查输出；生成不会自动发布，也不保证收录。

07把“抓到了”拆成四个可核对结论

RFC 9309 定义 Robots Exclusion Protocol；遵守访问规则之外，还需单独确认任务来源范围与再利用权利。

邮箱资料导出应保留来源页。 简化阅读视图应与原页面比较。