【开放下载】：网页内容抽取器

    记得以前，介绍过这个小工具，没什么技术含量，当时只是为了解决一个小问题：提取网页中指定内容而写的，可以见《网页内容抽取器》。

这个小工具源码不足百行，但它背后的解析器约有2000多行，所以看着挺萌的。

幕后是HTML解析器在支撑，解析器就是将html标识解析为解析树，从而将网页层层分解，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》https://juejin.cn/post/6844903780119478285

HTML是结构化文档(Structured Document)，由诸多标签（<p>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（<和>）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……所以，提供了一组筛选器来自由应对。

工具虽小，实用，精悍！

链接：https://pan.baidu.com/s/1I-4c3apATN0DXmfOdxczHw

提取码：ir2c

原文始发于微信公众号（MicroPest）：【开放下载】：网页内容抽取器