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 需要的请移步主页找下获取方式
使用方法
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
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
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
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，比如超链接的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：
下面是一个sina网页的所有超链接json
网友评论