Semalt legt uit hoe de benodigde gegevens uit HTML-websites kunnen worden geëxtraheerd
Een grote hoeveelheid informatie die in het net wordt gepresenteerd, wordt als "ongestructureerd" beschouwd omdat het is niet goed georganiseerd. HTML-websites zijn anders in de manier waarop ze georganiseerde documenten bevatten en de tekst in de documenten is gestructureerd in de onderliggende HTML-code.
Er zijn drie belangrijke methoden voor het extraheren van gegevens van HTML-websites:
- De tekst op een webpagina opslaan op uw computer;
- Het schrijven van de code voor gegevensextractie;
- Speciale extractiemiddelen gebruiken;
1. Hoe HTML van de website te extraheren zonder te coderen
U kunt een webpagina inhoud schrapen met behulp van de hieronder beschreven stappen:
Alleen tekst extraheren
Klik met de rechtermuisknop en selecteer de optie "Pagina opslaan als" of "Opslaan als" nadat u een webpagina hebt geopend die de gewenste tekst bevat. Typ een naam voor het bestand in het veld 'Bestandsnaam' en kies in het vervolgkeuzemenu 'Opslaan als type' de optie 'Webpagina, Alleen HTML'. Klik op de knop "Opslaan" en wacht een paar seconden.
Alle tekst op die pagina wordt geëxtraheerd en opgeslagen als een HTML-bestand. De oorspronkelijke pagina-opmaakopties blijven intact en u kunt de inhoud bewerken in dergelijke teksteditors als Kladblok.
Een volledige webpagina extraheren
Selecteer de optie "Opslaan als" of "Pagina opslaan als" in het menu "Bestand". Klik vervolgens op 'Webpagina, voltooid' in het vervolgkeuzemenu 'Opslaan als type'. Nadat u op 'Opslaan' hebt geklikt, worden de tekst en afbeeldingen uit de pagina geëxtraheerd en opgeslagen waar u maar wilt. De tekst wordt in een HTML-bestand geplaatst terwijl de afbeeldingen in een map worden opgeslagen.
2. HTML van een website extraheren met behulp van codering
U kunt direct met HTML-bestanden werken met speciale hulpmiddelen. U kunt ook een code maken om alle HTML-tags te verwijderen en tekst in HTML-bestanden te behouden met XPath of reguliere expressie. Enkele van de meest populaire programmeertalen voor deze taak zijn Python, Java, JS, Go, PHP en NodeJs.
3. Gebruik van hulpmiddelen voor het extraheren van webgegevens
Gebruik (als u alleen HTML-bestanden van een website wilt extraheren zonder een enkele regel code te schrijven of vermijdt de foltering van de kopieer en plakmethode) webschrapen gereedschappen. In feite zijn er veel nuttige hulpmiddelen die de benodigde informatie van een website kunnen verzamelen en deze vervolgens in het gestructureerde formaat kunnen converteren. Probeer gewoon een paar scraping-gereedschappen en je zult zeker die vinden die het meest geschikt is voor je sloopbehoeften.
Post a comment
