Excel处理大HTML表格时colspan标签被忽略的问题

有一个含30万行数据的HTML格式大表格，使用Excel 2019直接打开或通过VBS脚本转换为xlsx/xlsb格式时，表格开头解析正常，但在约2万-25万行的位置开始出现列错位，疑似colspan标签被忽略。

HTML表格结构示例 #

<html>
<table border="2" rules="all">
   <col width="50">
   <col width="50">
   <col width="50">
   <col width="50">
   <col width="50">
   <col width="50">
 <thead>
  <tr>
    <th>col 1</th>
    <th>col 2</th>
    <th colspan="3" >col 3</th>
    <th>col 4</th>
  </tr>
 </thead>
<tbody>
    <tr>
        <td>1</td>
        <td>2</td>
        <td colspan="3">3</td>
        <td>4</td>
    </tr>
    <tr>
        <td>5</td>
        <td>6</td>
        <td colspan="3">7</td>
        <td>8</td>
    </tr>
    <tr>
        <td>9</td>
        <td>10</td>
        <td colspan="3">11</td>
        <td>12</td>
    </tr>
    <tr>
        <td>13</td>
        <td>14</td>
        <td colspan="3">15</td>
        <td>16</td>
    </tr>
    <tr>
        <td>17</td>
        <td>18</td>
        <td colspan="3">19</td>
        <td>20</td>
    </tr></tbody>
</table>
</html>

转换后异常表现 #

_____________________________________________
| col 1 | col 2 |       col 3       | col 4 |
---------------------------------------------
| 1     | 2     | 3                 |       |
| 1     | 2     | 3                 | 4     |
| 1     | 2     | 3                 | 4     |
... ~20 000 - 250 000
| 1     | 2     | 3     |     |     | 4     |
| 1     | 2     | 3     |     |     | 4     |
---------------------------------------------

预期正确效果 #

_____________________________________________
| col 1 | col 2 |       col 3       | col 4 |
---------------------------------------------
| 1     | 2     | 3                 |       |
| 1     | 2     | 3                 | 4     |
| 1     | 2     | 3                 | 4     |
... ~20 000 - 250 000
| 1     | 2     | 3                 | 4     |
| 1     | 2     | 3                 | 4     |
---------------------------------------------

测试用VBS脚本 #

dim objFSO, objFile, CNT

CNT = 100000

Set objFSO = CreateObject("Scripting.FileSystemObject")
Set objFile = objFSO.CreateTextFile("c:\raw.html", True)

objFile.WriteLine("<html><table border=2 rules='all'><col width=50><col width=50><col width=50><col width=50><col width=50><col width=50><thead><tr><th>col 1</th><th>col 2</th><th colspan=3 >col 3</th><th>col 4</th></tr></thead><tbody>")

For i = 1 To CNT
    objFile.WriteLine("<tr><td>1</td><td>2</td><td colspan=3>3</td><td>4</td></tr>")
Next

objFile.WriteLine("</tbody></table></html>")
objFile.Close

WScript.StdOut.Write "Raw file written: " & CNT & " lines. Star conversion..." & vbCrLf

dim app, wbk
dim indx

Set app = CreateObject("Excel.Application")
Set wbk = app.Workbooks.Open("c:\raw.html")
app.DisplayAlerts = False

wbk.SaveAs "c:\conv.xlsx", 51

WScript.StdOut.Write "The file has been converted. Star checks..." & vbCrLf

set sht1 = wbk.Sheets(1)

indx = 1
For Each cell In sht1.Range("C:C")
    
    If not cell.MergeCells Then
        WScript.StdOut.Write "Error in line " & indx & vbCrLf
        Exit For
    End If
    
    indx = indx + 1
    
    if indx > CNT Then
      WScript.StdOut.Write "Everything is fine" & vbCrLf
      Exit For
    End If
    
Next
   
wbk.Close False
app.Quit

set sht1 = Nothing
set wbk = Nothing
set app = Nothing

这是Excel 2019处理超大规模HTML表格时的解析性能瓶颈问题。当行数达到一定阈值后，Excel的HTML解析引擎会跳过部分复杂格式处理（比如colspan对应的单元格合并），转而采用快速模式解析，导致格式丢失、列错位。

方案1：拆分HTML表格分批转换 #

将原30万行的HTML表格拆分为多个小表格（比如每1万行一个），分别转换为Excel文件后再合并。这样每个小表格的行数在Excel解析引擎的处理阈值内，不会触发快速模式，colspan能正常解析。

方案2：改用Power Query导入HTML表格 #

Power Query对HTML表格的解析更稳定，支持大规模数据且能正确处理colspan：

1. 打开Excel 2019，点击「数据」选项卡 →「获取数据」→「自文件」→「自HTML」
2. 选择目标HTML文件，在导航器中选择表格，点击「加载至」
3. 加载完成后，表格的合并单元格（对应colspan）会被正确识别，不会出现错位

方案3：预转换HTML为CSV格式 #

先将HTML表格转换为CSV（逗号分隔值）格式，再导入Excel。CSV格式无复杂格式，Excel能完美解析：
可以用Python脚本批量处理HTML表格提取数据生成CSV，示例代码：

from bs4 import BeautifulSoup
import csv

with open("raw.html", "r", encoding="utf-8") as f:
    soup = BeautifulSoup(f.read(), "html.parser")

table = soup.find("table")
rows = table.find_all("tr")

with open("output.csv", "w", newline="", encoding="utf-8") as csvfile:
    writer = csv.writer(csvfile)
    for row in rows:
        cells = row.find_all(["th", "td"])
        # 处理colspan：将colspan的单元格填充对应数量的空值
        row_data = []
        for cell in cells:
            row_data.append(cell.get_text(strip=True))
            colspan = int(cell.get("colspan", 1))
            if colspan > 1:
                row_data.extend([""] * (colspan - 1))
        writer.writerow(row_data)

生成CSV后直接用Excel打开即可，不会出现格式问题。

方案4：升级Excel版本 #

部分用户反馈，升级到Excel 365后，该大规模HTML表格解析的问题得到修复。因为365版本对HTML解析引擎做了性能优化，支持更大规模的复杂表格处理。

内容的提问来源于stack exchange，提问作者Владимир Теленков