HTML抓取的选项？[关闭]

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：

• 蟒蛇
  • 美丽的汤
  • xml文件
  • HTQL
  • cra草
  • 机械化
• 红宝石
  • 能吉里
  • 杏
  • 机械化
  • scrAPI
  • scrubyt！
  • 袋熊
  • 瓦蒂尔
• 。净
  • HTML敏捷包
  • 瓦丁
• 佩尔
  • WWW ::机械化
  • 网页抓取工具
• 爪哇
  • 标签汤
  • HtmlUnit
  • 网络收割
  • 防护
  • so
  • Jericho HTML解析器
• 的JavaScript
  • 请求
  • 欢乐
  • 阿图
  • 节点马
  • 幻影
• 的PHP
  • 古特
  • htmlSQL
  • PHP简单HTML DOM解析器
  • 使用CURL进行PHP爬取
  • 猩红查询
• 他们大多数
  • 屏幕刮板

在Ruby世界中，相当于Beautiful Soup的是why_the_lucky_stiff的Hpricot。

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

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。

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。

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。

对于Perl，有WWW :: Mechanize。

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

对于PHP，“简单HTML DOM分析器”是一个不错的选择，如果您熟悉jQuery或JavaScript选择器，那么您会发现自己很熟悉。

在这里找到

这里也有关于它的博客文章。

为什么没有人提到Java的JSOUP？http://jsoup.org/

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）。

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.

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。

鞋子和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

Perl的另一个选择是基于Ruby的Scrapi的Web :: Scraper。简而言之，使用简洁的语法，您可以将健壮的抓取工具直接放入数据结构中。

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。

雅虎！查询语言或YQL可以与jQuery，AJAX，JSONP一起使用来筛选抓取的网页

.NET的另一个工具是MhtBuilder

也有此解决方案：netty HttpClient

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。

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。

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

所述的实施方式中HTML5解析算法：html5lib（Python和Ruby），Validator.nu HTML解析器（爪哇，JavaScript的; C ++开发中），喧哗（C），Twintsam（C＃;即将到来的）。

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

我用过LWP和 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。

在Java中，您可以使用TagSoup。

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。

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")

我使用SgmlReader在.NET中混合了各种结果，它最初是由Chris Lovett启动的，并且似乎已经由MindTouch更新了。

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。

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。