- A+
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a的href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,如果超链接的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。