工具：网页内容抽取器

　　工具：网页内容抽取器

　　又开始了新一轮的备勤！

　　我在硬盘里无目的溜达着，突然发现了18年写的一个小工具：“html内容抽取器”，啥时还写过这个啊，没印象了！当时的场景不记得了，也不记得为什么事写的了。

　　它的抽取过程没什么“技术含量”，界面上看也很简单，只是简单地作了个本地html的抽取，没有作在线url的抽取。

　　加载个页面，来抽取下，

　　原来是抽取“邮箱、网址”等我需要的部分。

　　利用“网页的筛选器+属性值”来组合抽取，

　　这个小工具写起来很简单，不足百行的代码量。但它背后的解析器工作量不小，有2000多行吧。

　　它的背后，是HTML解析器在工作。解析器工作就是将html标识解析为解析树。利用它，可以将网页层层分解，就象F12那样。

　　关于html解析器，可以参看这篇文章:《解析-HTML 解析器》

　　以下可以不看，完全是为了公众号要求的300字，见谅！

　　众所周知，HTML是结构化文档(Structured Document)，由诸多标签（

　　等）嵌套形成的著名的文档对象模型（DOM, Document Object Model），是显而易见的树形多层次结构。如果带着这种思路看待HTML、编写HTML解析器，无疑将导致问题复杂化。不妨从另一视角俯视HTML文本，视其为一维线状结构：诸多单一节点的顺序排列。仔细审视任何一段HTML文本，以左右尖括号（）为边界，会发现HTML文本被天然地分割为：一个标签（Tag），接一段普通文字，再一个标签，再一段普通文字……