GooSeeker

网页抓取/数据抽取/信息提取软件工具包MetaSeeker很适合做这个工作。

MetaSeeker是一个Web页面信息抓取/抽取/提取工具包，能够按照用户的指导，从Web页面上筛选出需要的信息，将噪音信息过滤掉，将抓取/抽取/提取到的内容存储成XML文件，然后可以集成到其它网站上。该工具包有三个工具：

1. MetaStudio，用于定制目标网页内容抓取/抽取/提取规则，完全免除编程和调试的麻烦，全图形界面，定制一个新网站的抓取/抽取/提取规则只需要几分钟
2. DataScraper，用于连续且高效得从目标网站上抓取/抽取/提取内容，并滤除不需要的内容，存成XML文件
3. SliceSearch，将抓取/抽取/提取到的内容存储到搜索引擎中，提供强大的搜索功能和内容管理功能，用于快速部署垂直搜索和商业推荐引擎。

MetaSeeker采用专有的方法识别网页的语义结构，最适合提取结构化信息对象，例如，抽取商品和价格做比价服务。当然，提取新闻等大篇幅文字内容也是轻而易举。MetaSeeker工具除了自动识别网页结构产生抽取规则外，还支持两个级别的定制扩展：

1. 用XPath表达式指定页面元素的位置；
2. 用XSLT模板定制页面内容的提取范围和规则。使用这些扩展，用户可以任意定义特定的抽取规则，以应对各种复杂的页面结构。

MetaSeeker工具包有两个版本：企业版和在线版，在线版是免费的，功能相同，但是，不能部署自己私有的服务器，使用公共的服务器，实际上更方便，在线版下载地址：http://www.gooseeker.com/cn/node/download/front