7 款從 HTML 文檔提取文本的工具

收集電子郵件地址、競爭分析、網站檢查、訂價分析和客戶數據收集 — 這些可能只是你須要從 HTML 文檔中提取文本和其餘數據的幾個緣由。不幸的是，手動作這種事是很痛苦的並且效率很低，在某些狀況下甚至不可能實現。幸運的是，如今有各類各樣的工具能夠實現這些需求。下面的 7 個工具包括了由爲初學者和小項目而設計的很是簡單的工具到須要必定的編碼知識，旨在用於更大，更困難的任務的高級工具。

Iconico HTML 文本提取器 （Iconico HTML Text Extractor）

試想一下，你正在瀏覽競爭對手的網站，而後想提取出文本內容，又或是想看看頁面背後的 HTML 代碼。但十分不幸，你發現右鍵被禁用了，複製和粘貼也是如此。如今許多 Web 開發人員正在採起措施禁用查看源代碼，不然鎖定其頁面。幸運的是，Iconico 有一個 HTML 文本提取器，你能夠用來繞過全部的這些限制，並且這個產品很是易於使用。你能夠高亮和複製文本，提取功能的運行使用輕易得像上網同樣。

UiPath

UIPath 有一套自動化過程工具，裏面包含了一個 Web 內容抓取實用程序。要使用該工具，並得到所需的幾乎任何數據十分簡單 — 只需打開頁面，轉到工具中的設計菜單，而後單擊「網絡抓取（web scraping）」。 除了網絡抓取工具，屏幕抓取工具容許您從網頁中拉取任何內容。 使用這兩種工具意味着您能夠從任何網頁抓取文本，表格數據和其餘相關信息。

Mozenda

Mozenda 容許用戶提取 Web數據，並將該信息導出到各類智能商務工具。它不只能夠提取文本內容，還能夠從 PDF 文件中提取出圖像，文件和內容。而後，你能夠將這些數據導出到 XML 文件，CSV 文件，JSON 或者能夠選擇使用 API。 提取和導出數據後，就可使用 BI 工具進行分析和報告。

HTMLtoText

這款在線工具能夠從 HTML 源代碼中提取文本，甚至只是一個 URL 也能夠。你所須要作的只是複製和粘貼，提供一個 URL 或者上傳文件。 單擊選項按鈕，讓工具知道你須要的輸出格式和一些其餘的細節，而後點擊轉換，你將得到你須要的文本信息。

（還有一個相似的工具 — www.htmlnest.com/htmltotext.aspx）

Octoparse

Octoparse 的特徵是它提供的是「點擊」用戶界面。即使是沒有過編碼知識的用戶也能夠從網站提取數據並將其發送到各類文件格式。這個工具包括從頁面中提取電子郵件地址，從招聘板上提取職位列表等功能。該工具適用於動態和靜態網頁以及雲採集（配置好採集任務關機也能採集數據）。它提供了一個免費版本，對於大多數使用場景應該足夠應付，而付費版本則有更多豐富的功能。

若是你是爲了進行競爭分析而抓取網站，可能會由於此活動而被禁止。由於 Octoparse 包含一個循環識別你的 IP 地址的功能，並能經過你的 IP 禁止你使用。

Scrapy

這個免費的開源工具使用網絡爬蟲從網站提取信息，使用這個工具須要一些高級技能和編碼知識。但若是你願意以你的方式去學習使用它，Scrapy 是抓取大型 Web 項目的理想選擇。該工具已被 CareerBuilder 和其餘主要品牌使用。由於它是一個開源工具，因此這爲用戶提供了不少良好的社區支持。

Kimono

Kimono 是一個免費的工具，從網頁獲取非結構化數據，並將該信息提取爲具備 XML 文件的結構化格式。該工具能夠交互使用，也能夠建立計劃做業以在特定時間提取你須要的數據。你能夠從搜索引擎結果、網頁、甚至幻燈片演示中提取數據。最重要的是，當你設置好每一個工做流時，Kimono 會建立一個 API。這意味着當你返回到網站以提取更多數據時，沒必要再從新造輪子。

結論

若是你遇到須要從一個或多個網頁中提取非結構化數據的任務，那麼此列表中至少有一個工具應該包含你須要的解決方案。並且不管你的指望價格是什麼，你都應該能找到你所須要的工具。瞭解清楚而後決定哪一個是最適合你的。要知道，大數據在企業蓬勃發展中的重要性，而且收集所需信息的能力對於你來講也是相當重要。

編譯自：Dzone