HTML抓取的选项?[关闭]


406

我正在考虑尝试Beautiful Soup,一个用于HTML抓取的Python包。还有其他我应该查看的HTML抓包工具吗?Python不是必需的,我实际上也对其他语言感兴趣。

到目前为止的故事:



标记汤链接已死。
Tapper7年

HtmlUnit是一个完整的Java浏览器实现,您无法将其分解为多个部分(不能下载html页面并进行抓取,它将下载所有引用的文件,执行脚本等)。因此,我认为它不属于这里。
Mark Jeronimus

Stock Java可以使用XPath表达式来处理HTML,尽管并非没有问题。解析器部分(DocumentBuilder)对不正确的HTML感到窒息,而100%正确的HTML实际上在网络上很少见。因此,我想用JTidy代替解析器。至于XPath,XPathExpression可以使用Java自己的(自Java 1.5开始存在)
Mark Jeronimus

Answers:



44

在.NET世界中,我建议使用HTML Agility Pack。虽然不如上述某些选项(例如HTMLSQL)那么简单,但它非常灵活。它使您可以处理格式不正确的HTML,就像处理格式正确的XML一样,因此您可以使用XPATH或仅在节点上进行迭代。

http://www.codeplex.com/htmlagilitypack


2
结合使用linq,它看起来更像HTMLSQL,不是吗?
祝福Yahu

3
结合使用SharpQuery,它变得像jQuery!code.google.com/p/sharp-query
mpen 2010年

1
HTML Agility Pack无法正确构造我尝试过的许多HTML文档的DOM。
Ash Berlin-Taylor

37

BeautifulSoup是HTML抓取的好方法。我以前的工作是让我做很多工作,我希望我刚开始时就了解BeautifulSoup。就像DOM有很多有用的选项一样,并且还有很多pythonic。如果您想尝试使用Ruby,则可以移植BeautifulSoup并将其命名为RubyfulSoup,但是它已经有一段时间没有更新了。

其他有用的工具是HTMLParser或sgmllib.SGMLParser,它们是标准Python库的一部分。每次您输入/退出标签并遇到html文本时,这些方法就会通过调用方法来工作。如果您熟悉的话,他们就像Expat。如果要解析非常大的文件,并且创建DOM树将很长且昂贵,则这些库特别有用。

正则表达式不是非常必要。BeautifulSoup处理正则表达式,因此,如果需要它们的强大功能,可以在这里使用它。我说与BeautifulSoup一起使用,除非您需要速度和较小的内存占用。如果您在Python上找到了更好的HTML解析器,请告诉我。


21

我发现HTMLSQL是一种非常简单的屏幕抓取方法。从字面上看,花费数分钟即可获得结果。

查询是超直观的,例如:

SELECT title from img WHERE $class == 'userpic'

现在还有其他一些采用相同方法的替代方法。


7
仅供参考,这是一个PHP库
Tristan Havelick

19

Python lxml库充当libxml2和libxslt库的Pythonic绑定。我特别喜欢它的XPath支持和内存XML结构的精美打印。它还支持解析损坏的HTML。而且我认为您找不到其他比lxml解析XML更快的Python库/绑定。



16

Python除了Beatiful Soup之外,还有多种HTML抓取选项。以下是一些其他内容:

  • 机械化:类似于perl WWW:Mechanize。为您提供类似浏览器的对象以与网页保持一致
  • lxml:Python绑定到libwww。支持遍历和选择元素的各种选项(例如XPath和CSS选择)
  • scrapemark:高级库,使用模板从HTML提取信息。
  • pyquery:允许您在XML文档上进行类似于jQuery的查询。
  • scrapy:一个高级的抓取和Web爬网框架。它可以用来编写蜘蛛,用于数据挖掘以及监视和自动测试

1
Python标准库具有内置的HTML解析器...为什么不使用它呢?docs.python.org/2.7/library/htmlparser.html
ArtOfWarfare 2015年



11

来自Django的 Adrian Holovaty 的templatemaker实用程序使用了一种非常有趣的方法:向其提供同一页面的变体,并“学习”变量数据的“漏洞”所在的位置。它不是特定于HTML的,因此也适用于抓取其他任何纯文本内容。我还将它用于转换为纯文本的PDF和HTML(分别使用pdftotext和lynx)。


您是如何让templatemaker用于大型HTML页面的?当我给它一些不平凡的东西时,我发现它崩溃了。
hoju 2010年

我想我没有大的HTML页面。在code.google.com/p/templatemaker/issues/list上似乎没有针对该问题的提成问题,因此在此处发送测试用例可能是适当的。不过,Adrian似乎并没有维护该库。我想知道他现在在EveryBlock使用什么,因为他们肯定会花很多功夫。
akaihola 2010年

10

我知道并喜欢Screen-Scraper

屏幕抓取工具是一种用于从网站提取数据的工具。屏幕抓取工具可自动执行以下操作:

* Clicking links on websites
* Entering data into forms and submitting
* Iterating through search result pages
* Downloading files (PDF, MS Word, images, etc.)

常见用途:

* Download all products, records from a website
* Build a shopping comparison site
* Perform market research
* Integrate or migrate data

技术:

* Graphical interface--easy automation
* Cross platform (Linux, Mac, Windows, etc.)
* Integrates with most programming languages (Java, PHP, .NET, ASP, Ruby, etc.)
* Runs on workstations or servers

三种版本的屏幕抓取器:

* Enterprise: The most feature-rich edition of screen-scraper. All capabilities are enabled.
* Professional: Designed to be capable of handling most common scraping projects.
* Basic: Works great for simple projects, but not nearly as many features as its two older brothers.

不幸的是,甚至没有基本版本是FOSS。它似乎像啤酒一样免费。
Andreas Kuckartz

9

我首先要确定所涉及的站点是否提供API服务器或RSS Feed,以访问所需的数据。


8

鞋子Hpricot尤其容易消除堆栈溢出。

require 'hpricot'

Shoes.app :title => "Ask Stack Overflow", :width => 370 do
  SO_URL = "http://stackoverflow.com"
  stack do
    stack do
      caption "What is your question?"
      flow do
        @lookup = edit_line "stackoverflow", :width => "-115px"
        button "Ask", :width => "90px" do
          download SO_URL + "/search?s=" + @lookup.text do |s|
            doc = Hpricot(s.response.body)
            @rez.clear()
            (doc/:a).each do |l|
              href = l["href"]
              if href.to_s =~ /\/questions\/[0-9]+/ then
                @rez.append do
                  para(link(l.inner_text) { visit(SO_URL + href) })
                end
              end
            end
            @rez.show()
          end
        end
      end
    end
    stack :margin => 25 do
      background white, :radius => 20
      @rez = stack do
      end
    end
    @rez.hide()
  end
end


7

我在Java中使用HtmlUnit取得了一些成功。这是一个用于在Web UI上编写单元测试的简单框架,但对HTML抓取同样有用。


如果需要,您还可以使用它来评估javascript的执行情况:)
David




5

我在Ruby上使用Hpricot。举例来说,这是一段代码片段,我可以使用它从我的HireThings帐户的六页中检索所有书名(因为它们似乎并未提供包含此信息的单个页面):

pagerange = 1..6
proxy = Net::HTTP::Proxy(proxy, port, user, pwd)
proxy.start('www.hirethings.co.nz') do |http|
  pagerange.each do |page|
    resp, data = http.get "/perth_dotnet?page=#{page}" 
    if resp.class == Net::HTTPOK
      (Hpricot(data)/"h3 a").each { |a| puts a.innerText }
    end
  end
end 

差不多完成了。在此之前的所有操作都是库导入和我的代理的设置。


5

我在Python上经常使用Beautiful Soup。它比正则表达式检查好得多,因为即使HTML格式不正确,它也可以像使用DOM一样工作。您可以使用比正则表达式更简单的语法快速找到HTML标签和文本。一旦找到一个元素,就可以遍历该元素及其子元素,这对于理解代码中的内容比使用正则表达式更为有用。我希望“美丽的汤”存在于多年前,当时我不得不进行大量的屏幕抓图工作-因为HTML结构在人们开始对其进行验证之前太差了,这将为我节省很多时间和头痛。


5

尽管它是为.NET Web测试而设计的,但我一直为此目的而使用WatiN框架。由于它是基于DOM的,因此捕获HTML,文本或图像非常容易。最近,我用它将MediaWiki所有页面名称空间查询中的链接列表转储到Excel电子表格中。下面的VB.NET代码片段非常粗糙,但是可以正常工作。


Sub GetLinks(ByVal PagesIE As IE, ByVal MyWorkSheet As Excel.Worksheet)

    Dim PagesLink As Link
    For Each PagesLink In PagesIE.TableBodies(2).Links
        With MyWorkSheet
            .Cells(XLRowCounterInt, 1) = PagesLink.Text
            .Cells(XLRowCounterInt, 2) = PagesLink.Url
        End With
        XLRowCounterInt = XLRowCounterInt + 1
    Next
End Sub


3

如果不使用Perl,您将是个傻瓜。

加固以下模块,然后将人参刮伤。

use LWP
use HTML::TableExtract
use HTML::TreeBuilder
use HTML::Form
use Data::Dumper

3

我用过LWP Perl中 HTML :: TreeBuilder,并且发现它们非常有用。

LWP(libwww-perl的缩写)可让您连接到网站并刮取HTML,您可以在此处获取该模块以及O'Reilly的书似乎在此处在线

TreeBuilder允许您从HTML构造树,并且HTML :: TreeBuilder-构建HTML语法树的解析器中提供了文档和源代码。

但是,与这种方法相比,可能还有很多繁重的工作要做。我没有看另一个答案建议的“ 机械化”模块,所以我很可能会这样做。



3

好吧,如果您希望仅使用浏览器从客户端完成此操作,则可以使用jcrawl.com。从Web应用程序(http://www.jcrawl.com/app.html)设计了抓取服务之后,只需要将生成的脚本添加到HTML页面即可开始使用/呈现数据。

所有的抓取逻辑都是通过JavaScript在浏览器上发生的。希望对你有帮助。单击此链接以获取从Yahoo网球中提取最新新闻的实时示例。


2

您可能已经拥有了很多,但是我认为这是您想要做的:

from __future__ import with_statement
import re, os

profile = ""

os.system('wget --no-cookies --header "Cookie: soba=(SeCreTCODe)" http://stackoverflow.com/users/30/myProfile.html')
with open("myProfile.html") as f:
    for line in f:
        profile = profile + line
f.close()
p = re.compile('summarycount">(\d+)</div>') #Rep is found here
print p
m = p.search(profile)
print m
print m.group(1)
os.system("espeak \"Rep is at " + m.group(1) + " points\""
os.remove("myProfile.html")


2

我喜欢Google Spreadsheets的ImportXML(URL,XPath)函数。

如果您的XPath表达式返回多个值,它将在列下重复单元格。

importxml()一个电子表格上最多可以有50个功能。

RapidMiner的Web插件也非常易于使用。它可以发布帖子,接受cookie并可以设置user-agent


2

使用Aptana的Jaxer + jQuery解析页面也取得了很大的成功。从本质上讲,它不像“脚本”那样快或“像脚本一样”,但是jQuery选择器+真正的JavaScript / DOM是更复杂(或格式错误)页面上的救命稻草。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.