HTML抓取选项?

Translate

我正在考虑尝试美丽的汤,用于HTML抓取的Python软件包。还有其他我应该查看的HTML抓包工具吗?不需要Python,实际上我也很想了解其他语言。

到目前为止的故事:

This question and all comments follow the "Attribution Required."

所有的回答

Translate

Ruby世界相当于Beautiful Soup的原因是why_the_lucky_stiff.

来源
Webster Lee
Translate

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

来源
Mamie Lee
Translate

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拥有更多有用的选项,并且它的Python语言也更加丰富。如果您想尝试使用Ruby,他们会移植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,如果您需要它们的功能,则可以在那里使用它。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。

来源
Colbert Lee
Translate

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

查询非常直观-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。

来源
Translate

Pythonxml文件该库充当libxml2和libxslt库的Python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。

来源
Yetta Lee
Translate

对于Perl,有WWW :: Mechanize。

来源
Translate

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perlWWW:Mechanize。为您提供类似浏览器的对象以与网页保持一致
  • xml文件:Python绑定到libwww。支持各种选项来遍历和选择元素(例如XPath和CSS选择)
  • 刮痕:使用模板从HTML提取信息的高级库。
  • pyquery:允许您对XML文档进行类似于jQuery的查询。
  • y:高级抓取和网络抓取框架。它可以用来编写蜘蛛,用于数据挖掘以及监视和自动测试
来源
Mortimer Lee
Translate

“简单HTML DOM解析器”对于PHP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。

来源
Kitty Lee
Translate

为什么没有人提到Java的JSOUP?http://jsoup.org/

来源
Honey Lee
Translate

模板制作者Adrian Holovaty的实用程序Django的fame)使用了一种非常有趣的方法:您向它提供同一页面的变体,并“学习”可变数据的“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)。

来源
Translate

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。

来源
Julie Lee
Translate

我知道并爱屏幕刮板.

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.
来源
Maud Lee
Translate

Perl的另一种选择是网址::刮板这是基于Ruby的斯克拉皮。简而言之,使用简洁明了的语法,您可以将健壮的抓取工具直接放入数据结构中。

来源
Translate

刮栈溢出特别容易鞋类.

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
来源
Alger Lee
Translate

我取得了一些成功HtmlUnit,使用Java。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。

来源
Gary Lee
Translate

.NET的另一个工具是MhtBuilder

来源
Translate

也有此解决方案:netty HttpClient

来源
Translate

我在Ruby上使用Hpricot。举例来说,这是一段代码,我用它从我的HireThings帐户的六页中检索所有书名(因为它们似乎没有提供此信息的一页):

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。

来源
Translate

我在Python中经常使用Beautiful Soup。它比正则表达式检查要好得多,因为它的工作方式类似于使用DOM,即使HTML格式不正确。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,当时我必须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。

来源
Translate

虽然它是专为。净网络测试,我一直在使用瓦丁为此目的的框架。由于它是基于DOM的,因此捕获HTML,文本或图像非常容易。最近,我用它来转储来自MediaWiki所有页面名称空间查询到Excel电子表格中。以下VB.NET代码碎片很粗糙,但是可以。


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
来源
Florence Lee
Translate

的实现HTML5解析算法: html5lib(Python,Ruby),Validator.nu HTML解析器(Java,JavaScript; C ++正在开发中),尘嚣(C),Twintsam(C#;即将发布)。

来源
Isaac Lee
Translate

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
来源
Translate

我用过了轻量级HTML :: TreeBuilder与Perl合作,发现它们非常有用。

LWP(libwww-perl的缩写)可让您连接到网站并抓取HTML,你可以在这里获得模块和奥莱利的书似乎在这里在线.

TreeBuilder允许您从HTML构造树,并且文档和来源可在HTML :: TreeBuilder-构建HTML语法树的解析器.

但是,与这种方法相比,可能还有很多繁重的工作要做。我没有看过机械化模块由另一个答案建议,所以我可能会这样做。

来源
Translate

在Java中,您可以使用标签汤.

来源
Translate

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

所有抓取逻辑都是通过JavaScript在浏览器上发生的。希望对你有帮助。单击此链接以获取摘录的实时示例。雅虎网球的最新消息.

来源
Marcus Lee
Translate

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")
来源
Virgil Lee
Translate

我最初使用SgmlReader在.NET中混合了结果克里斯·洛夫特(Chris Lovett)并似乎已由更新心灵触觉.

来源
Translate

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。

您最多可以有50个importxml()一个电子表格上的功能。

RapidMiner的Web插件也非常易于使用。它可以发布信息,接受Cookie并可以设置用户代理.

来源
Translate

使用Aptana的Jaxer + jQuery解析页面也取得了很大的成功。它本质上不像“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。

来源