一款超轻量级的HTML文件解析和爬取工具

[liazei33]

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。
工具特点：

• 绿色纯天然，无任何第三方依赖库，文件大小不到150K；

• 工具的解析速度快，具有一定的HTML语法容错能力，可快速将HMTL文档解析为DOM树；

• 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；

• 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；可爬取script脚本到指定的js文件中；
  下载地址：http://softlee.cn/HtmlParse.zip