当前位置: 首页 > 软件库 > Web应用开发 > 网页组件 >

HtmlExtractor

网页信息抽取组件
授权协议 GPLv3
开发语言 Java
所属分类 Web应用开发、 网页组件
软件类型 开源软件
地区 国产
投 递 者 百里俭
操作系统 跨平台
开源组织
适用人群 未知
 软件概览

HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。

HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。

如何使用?

HtmlExtractor由2个子项目构成,html-extractor和html-extractor-web。
html-extractor实现了数据抽取逻辑,是从节点,html-extractor-web提供web界面来维护抽取规则,是主节点。
html-extractor是一个jar包,可通过maven引用:
<dependency>
    <groupId>org.apdplat</groupId>
    <artifactId>html-extractor</artifactId>
    <version>1.1</version>
</dependency>
html-extractor-web是一个war包,需要部署到Servlet/Jsp容器上。
在html-extractor-web目录下运行mvn jetty:run就可以启动Servlet/Jsp容器jetty,之后打开浏览器访问:
http://localhost:8080/html-extractor-web/api/ 查看自己定义的规则。

注意:页面模板中定义的所有CSS路径和抽取表达式全部抽取成功,才算抽取成功,
     只要有一个CSS路径或抽取表达式失败,就是抽取失败。

单机集中式使用方法:

//1、构造抽取规则
List<UrlPattern> urlPatterns = new ArrayList<>();
//1.1、构造URL模式
UrlPattern urlPattern = new UrlPattern();
urlPattern.setUrlPattern("http://money.163.com/\\d{2}/\\d{4}/\\d{2}/[0-9A-Z]{16}.html");
//1.2、构造HTML模板
HtmlTemplate htmlTemplate = new HtmlTemplate();
htmlTemplate.setTemplateName("网易财经频道");
htmlTemplate.setTableName("finance");
//1.3、将URL模式和HTML模板建立关联
urlPattern.addHtmlTemplate(htmlTemplate);
//1.4、构造CSS路径
CssPath cssPath = new CssPath();
cssPath.setCssPath("h1");
cssPath.setFieldName("title");
cssPath.setFieldDescription("标题");
//1.5、将CSS路径和模板建立关联
htmlTemplate.addCssPath(cssPath);
//1.6、构造CSS路径
cssPath = new CssPath();
cssPath.setCssPath("div#endText");
cssPath.setFieldName("content");
cssPath.setFieldDescription("正文");
//1.7、将CSS路径和模板建立关联
htmlTemplate.addCssPath(cssPath);
//可象上面那样构造多个URLURL模式
urlPatterns.add(urlPattern);

//2、获取抽取规则对象
ExtractRegular extractRegular = ExtractRegular.getInstance(urlPatterns);
//注意:可通过如下3个方法动态地改变抽取规则
//extractRegular.addUrlPatterns(urlPatterns);
//extractRegular.addUrlPattern(urlPattern);
//extractRegular.removeUrlPattern(urlPattern.getUrlPattern());

//3、获取HTML抽取工具
HtmlExtractor htmlExtractor = new DefaultHtmlExtractor(extractRegular);

//4、抽取网页
String url = "http://money.163.com/08/1219/16/4THR2TMP002533QK.html";
HtmlFetcher htmlFetcher = new JSoupHtmlFetcher();
String html = htmlFetcher.fetch(url);
List<ExtractResult> extractResults = htmlExtractor.extract(url, html);

//5、输出结果
int i = 1;
for (ExtractResult extractResult : extractResults) {
    System.out.println((i++) + "、网页 " + extractResult.getUrl() + " 的抽取结果");
    if(!extractResult.isSuccess()){
        System.out.println("抽取失败:");
        for(ExtractFailLog extractFailLog : extractResult.getExtractFailLogs()){
            System.out.println("\turl:"+extractFailLog.getUrl());
            System.out.println("\turlPattern:"+extractFailLog.getUrlPattern());
            System.out.println("\ttemplateName:"+extractFailLog.getTemplateName());
            System.out.println("\tfieldName:"+extractFailLog.getFieldName());
            System.out.println("\tfieldDescription:"+extractFailLog.getFieldDescription());
            System.out.println("\tcssPath:"+extractFailLog.getCssPath());
            if(extractFailLog.getExtractExpression()!=null) {
                System.out.println("\textractExpression:" + extractFailLog.getExtractExpression());
            }
        }
        continue;
    }
    Map<String, List<ExtractResultItem>> extractResultItems = extractResult.getExtractResultItems();
    for(String field : extractResultItems.keySet()){
        List<ExtractResultItem> values = extractResultItems.get(field);
        if(values.size() > 1){
            int j=1;
            System.out.println("\t多值字段:"+field);
            for(ExtractResultItem item : values){
                System.out.println("\t\t"+(j++)+"、"+field+" = "+item.getValue());   
            }
        }else{
            System.out.println("\t"+field+" = "+values.get(0).getValue());     
        }
    }
    System.out.println("\tdescription = "+extractResult.getDescription());
    System.out.println("\tkeywords = "+extractResult.getKeywords());
}

多机分布式使用方法:

1、运行主节点,负责维护抽取规则:
方法一:在html-extractor-web目录下运行mvn jetty:run 。
方法二:在html-extractor-web目录下运行mvn install ,
      然后将target/html-extractor-web-1.0.war部署到Tomcat。

2、获取一个HtmlExtractor的实例(从节点),示例代码如下:
String allExtractRegularUrl = "http://localhost:8080/HtmlExtractorServer/api/all_extract_regular.jsp";
String redisHost = "localhost";
int redisPort = 6379;
ExtractRegular extractRegular = ExtractRegular.getInstance(allExtractRegularUrl, redisHost, redisPort);
HtmlExtractor htmlExtractor = new DefaultHtmlExtractor(extractRegular);

3、抽取信息,示例代码如下:
String url = "http://money.163.com/08/1219/16/4THR2TMP002533QK.html";
HtmlFetcher htmlFetcher = new JSoupHtmlFetcher();
String html = htmlFetcher.fetch(url);
List<ExtractResult> extractResults = htmlExtractor.extract(url, html);

int i = 1;
for (ExtractResult extractResult : extractResults) {
    System.out.println((i++) + "、网页 " + extractResult.getUrl() + " 的抽取结果");
    if(!extractResult.isSuccess()){
        System.out.println("抽取失败:");
        for(ExtractFailLog extractFailLog : extractResult.getExtractFailLogs()){
            System.out.println("\turl:"+extractFailLog.getUrl());
            System.out.println("\turlPattern:"+extractFailLog.getUrlPattern());
            System.out.println("\ttemplateName:"+extractFailLog.getTemplateName());
            System.out.println("\tfieldName:"+extractFailLog.getFieldName());
            System.out.println("\tfieldDescription:"+extractFailLog.getFieldDescription());
            System.out.println("\tcssPath:"+extractFailLog.getCssPath());
            if(extractFailLog.getExtractExpression()!=null) {
                System.out.println("\textractExpression:" + extractFailLog.getExtractExpression());
            }
        }
        continue;
    }
    for(ExtractResultItem extractResultItem : extractResult.getExtractResultItems()){
        System.out.print("\t"+extractResultItem.getField()+" = "+extractResultItem.getValue());              
    }
    System.out.println("\tdescription = "+extractResult.getDescription());
    System.out.println("\tkeywords = "+extractResult.getKeywords());
}

  • HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。 HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。 如何使用? 使用Sele

  • ##HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。 ##HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。 ##如何使用?

  • HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。 HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。 如何使用? HtmlEx

  • HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。 HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。 在本次发布的1.1版本中

  • 首先,我们新建一个maven工程,在pom.xml中加入HtmlExtractor依赖,如下所示:   <dependency> <groupId>org.apdplat</groupId> <artifactId>html-extractor</artifactId> <version>1.1</version> </dependency>   接着,我们加入日志配置文件

 相关资料
  • cmf_get_site_info() 功能 获取后台管理设置的网站信息,此类信息一般用于前台 参数 无 返回 array 网站信息

  • cmf_get_site_info() 功能 获取后台管理设置的网站信息,此类信息一般用于前台 参数 无 返回 array 网站信息

  • 本文向大家介绍Powershell 获取特定的网页信息的代码,包括了Powershell 获取特定的网页信息的代码的使用技巧和注意事项,需要的朋友参考一下 Powershell可以很轻松的获取网页的信息并读取到对应的内容。如果对象的格式是XML或者Json,那就更容易处理了,一般经常使用invoke-restmethod和invoke-webrequest这两个命令。前者主要是获取Json格式的内

  • 我正在尝试制作一个python脚本,用我所拥有的有限知识从一个网页中刮取特定的信息。但我想我有限的知识是不够的。我需要提取7-8条信息。标签如下- 1 我已使用此代码开始

  • 本文向大家介绍微信开发之网页授权获取用户信息(二),包括了微信开发之网页授权获取用户信息(二)的使用技巧和注意事项,需要的朋友参考一下 在公众号的配置过程中,许多开发者会在菜单中加入HTML5页面,有时在页面内需要访问页面的用户信息,此时就需要网页授权获取用户基本信息 呐喊教程提醒大家:本文介绍讲述的内容是基于yii2.0框架 1、设置授权回调域名:开发 ---> 接口权限   找到“网页授权获取

  • 本文向大家介绍微信公众号-获取用户信息(网页授权获取)实现步骤,包括了微信公众号-获取用户信息(网页授权获取)实现步骤的使用技巧和注意事项,需要的朋友参考一下 根据微信公众号开发官方文档: 获取用户信息步骤如下: 1 第一步:用户同意授权,获取code 2 第二步:通过code换取网页授权access_token 3 第三步:刷新access_token(如果需要) 4 第四步:拉取用户信息(需s