HtmlParse：一款超轻量级的HTML文件解析和爬取工具

2022-06-14 12:03:26 阅读：175 来源： 互联网

标签：cn HTML text HtmlParse json href 文档轻量级 sina

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。

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》

标签：cn,HTML,text,HtmlParse,json,href,文档,轻量级,sina
来源： https://www.cnblogs.com/softlee/p/16374079.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9