描述如何从网页提取结构化数据的语言：Parsley

郑昀@玩聚SR 20091127

Scrapy里面用到了Parsley。
Parsley是一个挺有意思的小东西，它综合运用了CSS、XPath、正则表达式和JSON，是描述如何从网页里提取结构化数据的简单语言。估计做爬虫(Crawler/Spider)的人都会定义一套类似的模板。只不过Parsley还帮你把具体实现做了，用各种开发语言。

基本事实

Parselets就是用Parsley语言写成的片段(snippets)。

你可以近似认为一个Parselet定义了一套动作，描述如何从html代码中精确抽取数据，比如标题在哪儿，标题的链接怎么拿，评论数在哪儿如何提取。

Parsley有各种语言实现包，Ruby、Python、C/C++等。
pyparsley是对应的Python库。

 

Code和Result示例

具体例子参见：http://parselets.com/parselets/yc/15 ，

左侧的Code就是我们通常说的模板，右边的Result就是提取的结构化数据。

那么它是如何变为现实的呢？

 

实现

安装Parsley，再安装http://github.com/fizx/pyparsley，然后运行如下Python代码，就可以从给定网页链接，通过Parselet的描述，获得json格式的结构化数据。

 

zhengyun 20091127 beijing