HtmlParse:一款超轻量级的HTML文件解析和爬取工具

HtmlParse 是一款基于windwos平台的HTML文档解析工具,可快速构建DOM树,从而轻松实现网页元素的爬取工作。DOM树就是一个HTML文档的节点树,每个节点由:标签(Tag)、属性(Attribute)、文本(Text)三个值来描述。
 
所谓的HTML文档解析,指的就是如何构建一颗DOM树,只有成功构建出DOM树,才有可能进行后续的数据爬取和分析工作。显然,构建DOM树是比较复杂的过程,因为不是每一个HTML文档都会严格按照规范来书写,因此解析过程需要具有一定容错能力。此外,解析效率也是一个需要考虑的因素,也就是说最好通过一次文档扫描即可建立起DOM树,而不是反复扫描。
 
下面是HtmlParse介绍。
 

工具特点

1、绿色纯天然,无任何第三方依赖库,文件大小不到150K;
2、解析速度快,具有一定的HTML语法容错能力,可快速将HMTL文档解析为DOM树;
3、基于命令行参数,可通过不同参数获取指定TAG的属性值和文本内容,从而实现网页爬取功能;
4、可将爬取数据输出为json格式,方便第三方程序进一步分析和使用;
5、可爬取script脚本到指定的js文件中;

下载地址http://softlee.cn/HtmlParse.zip
 

使用方法

HtmlParse HtmlPathFile -tag TagName [-attr] [Attribute] [-o] [JsonPathFile] 

解析指定的HTML文档,并将文档中指定的标签及属性输出到指定文件中。

HtmlPathFile:必选参数,要解析的HTML文档路径名,如果文件路径中有空格,可使用双引号将文件路径包含;

-tag:必选参数,用于指定要抓取的HTML标签名称;
-attr:可选参数,用于指定标签的属性值,如果不指定,则返回该标签的所有属性值;
-o:可选参数,用于指定抓取内容输出的文件,可将抓取的内容保存为json格式的文件。 如果该参数不指定,则进行控制台输出。 如果抓取的是script、style则会保存为js格式文件。

如果要抓取doctype,可使用-tag doctype,将整个doctype内容获取。此时将会忽略-attr指定的任何属性值。

 

举例说明

1、爬取网页中所有超链接

HtmlParse c:/sina.html -tag a -attr href -o c:/sina.json 

解析C盘下的sina.html文档,并提取该文档中的所有超链接到sina.json文件中。其中-tag a -attr href,用于指定获取超链接标签ahref属性。

2、爬取网页中所有图片链接

HtmlParse c:/sina.html -tag img -attr src -o c:/sina.json 

解析C盘下的sina.html文档,并提取该文档中的所有图片链接到sina.json文件中。

3、爬取网页中所有脚本

HtmlParse c:/sina.html -tag script -o c:/sina.js 

解析C盘下的sina.html文档,并提取该文档中的所有脚本函数到sina.js文件中。

 

输出内容

如果通过-o参数指定输出文件,则会生成一个json格式的文档。
TagName为爬取的标签名称,比如超链接的a,其值是一个json数组,数组中的每个内容为Json对象,每个Json对象,有属性和文本构成。如果-attr 指定了要爬取的属性,则AttrName为指定的属性名称,比如href或src。text为该标签的文本内容,有些标签不存在文本内容,比如img、meta等,则该值为空。json格式如下:

{   "TagName":   {      {"AttrName":"AttrValue1", "text":"text1"}      {"AttrName":"AttrValue1", "text":"text2"}   } } 

下面是一个sina网页的所有超链接json

{ 	"a": [{ 		"href": "javascript:;", 		"text": "设为首页" 	}, { 		"href": "javascript:;", 		"text": "我的菜单" 	}, { 		"href": "https://sina.cn/", 		"text": "手机新浪网" 	}, { 		"href": "", 		"text": "移动客户端" 	}, { 		"href": "https://c.weibo.cn/client/guide/download", 		"text": "新浪微博" 	}, { 		"href": "https://so.sina.cn/palmnews/web-sinanews-app-download.d.html", 		"text": "新浪新闻" 	}, { 		"href": "https://finance.sina.com.cn/mobile/comfinanceweb.shtml", 		"text": "新浪财经" 	}, { 		"href": "https://m.sina.com.cn/m/sinasports.shtml", 		"text": "新浪体育" 	}, { 		"href": "https://tousu.sina.com.cn/about_app/index?frompage=heimaopc", 		"text": "黑猫投诉" 	}, { 		"href": "http://blog.sina.com.cn/lm/z/app/", 		"text": "新浪博客" 	}, { 		"href": "https://games.sina.com.cn/o/kb/12392.shtml", 		"text": "新浪游戏" 	}, { 		"href": "https://zhongce.sina.com.cn/about/app", 		"text": "新浪众测" 	}, { 		"href": "https://mail.sina.com.cn/client/mobile/index.php?suda-key=mail_app&suda-value=login", 		"text": "新浪邮箱客户端" 	}, { 		"href": "javascript:;", 		"text": "关闭置顶" 	}, { 

写在最后

网页下载可通过wincurl工具,这是一个windows平台下的curl程序。

下载地址http://softlee.cn/wincurl.zip

介绍文章:《wincurl:一款基于HTTP协议的轻量级web资源抓取和上传工具

发表评论

相关文章