GooSeeker

网页内容抽取方法很多，正则表达式是一种重要的方法，因为HTML页面就是一个文本文档，自然会想到正则表达式，因为正则表达式是专门处理文本的，但是，正则表达式很难控制，词法和语法很特别，我才可能是与perl是表亲戚的原因。

实际上，正则表达式不是唯一方法，HTML文档在浏览器展现时都需要转换成DOM结构，而针对DOM结构，XPath语言就像SQL用于查询数据库一样也是一个查询语言，相对于正则表达是来说，更容易控制，毕竟是在更高的数据结构层进行操作，如果再结合XSLT，直接可以将HTML DOM结构中的指定内容转储到XML文档中，完成内容抽取过程。

另外，使用正则表达式方法需要解决好几个比较麻烦的问题，在此举两个例子：1，网络上大部分HTML文档是有错的，不符合HTML标准，如果设计匹配规则时假设目标文档是合规的，可能会处理不了有错的文档，而一般的DOM引擎都有HTML解析纠错特性，使用DOM方法可以不必关心这个问题；2，有些网页内容是用Javascript动态维护的，使用正则表达式方式无法看到这些内容，而且，无论是否动态，要显示出来那么一定要在DOM中存在，所以，基于DOM的方式可以透明处理javascript动态页面。

网页抓取/数据抽取/信息提取工具包MetaSeeker就是采用了DOM+XPath+XSLT方式，信息提取精度很高，容错能力很强，而且XPath和XSLT能够自动生成，大大减轻了用户的负担。对于高级用户，还能够将手工写的XPath表达式和XSLT片段嵌入到自动生成的规则里面，十分灵活

网页抓取/数据抽取/信息提取工具包MetaSeeker是一个通用的网络爬虫/网页抓取工具，使用很方便，建议楼主不要花时间重复开发简单的抓取工具了，使用MetaSeeker工具包即可，节约下来的时间可以投入网站的运营和商业经营上。