如何优雅地从 HTML 文档中提取 JSON 数据

本文内容已假定您已拥有一些 html 以及爬虫的基础知识

需求背景

这几天在做一款资源站产品，开发过程中需要一定的测试数据，就考虑从网络中的一些网站中爬取一些，但由于用量较少不想因此去写一个爬虫，而且需要对取回的数据能快速调整转换。

市场上虽然有很多爬虫工具和开源库，但大部分用下来都觉得过于“重”了。虽然需要获取的数据较少，但要求的即时性高、数据返回格式便于调整，在试用各种工具和库的时候，发现了一款基于cherrio 封装实现的库 temme，试用之后感觉真的是神器，所以也很希望分享给大家。

temme 是一个类 jQuery 的选择器，用于简洁优雅地从 HTML 文档中提取所需的 JSON 数据。有在线版本和 vscode-temme 插件，文尾有开源库地址。

案例实践

实战一个例子体验一下：

要求如下：

从一个设计资源站 design.maliquankai.com，中提取一些 JSON 格式内容数据，网站如下：

需要将网站 html 内容提取为以下格式的数据：

<code>  "图库": [
    {
      "cover": "images/img/pexels.jpg",
      "guid": "https://www.pexels.com",
      "description": "免费高品质图片下载网站",
      "title": "Pexels",
      "content": "提供海量共享图片素材，每周都会定量更新，所有的图片都会显示详细的信息，例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等，高清大图质量很不错。"
    },

……
/<code>

用浏览器查看网站的 html 源，它的内容格式部分如下：

<code>
  

    

      
图库网站已收录36个网站

    


    

      
 

        

          
        

        

          
        

        ……
      

    

  

/
/<code>

需求和源都准备就绪，开始实操：

1 安装环境

<code># 全局安装 temme
yarn global add temme
/<code>

2 编写 temme 选择器

temme 原理是根据 CSS 选择器语法从 HTML 文档/片段中抓取想要的数据。语法支持JavaScript 字面量（string/number/null/boolean/RegExp）

将下面内容，存为 selector.temme 文件

<code>// 因为这个是可重复利用的代码，可以写成代码片断供下面抓取的语法共享使用 

@contentInfo = {
  img[data-class="lazy" src="//p2.ttnews.xyz/loading.gif" data-original=$cover class="lazy" data-original=$imgUrl];
  a[href=$guid];
  .case-info-logo p{$description};
  .case-info-title {$title};
  .case-info-text {$content}
};

// 这个 floor1 对应 html 文档中的 ，由此可以分区域抓取
.floor1 li@插画{
    @contentInfo;
};

.floor2 li@图库{
    @contentInfo;
};

//<code>

执行以下命令

<code>curl -s https://design.maliquankai.com/ | temme selector.temme --format
 

# 输出如下:
#{
#  "插画": [
#    {
#      "cover": "images/illustration/undraw.jpg",
#      "guid": "https://undraw.co/illustrations",
#      "description": "一个扁平化插画图库",
#      "title": "unDraw",
#      "content": "unDraw是由Katerina Limpitsouni创建的一个扁平化插画图库，从网站上就可以直接调整所有插图的主要颜色，支持下载SVG和PNG格式，不需要标示出处，可用于商业用途。"
#    },
#    ……
#  ],
#  "图库": [
#    {
#      "cover": "images/img/pexels.jpg",
#      "guid": "https://www.pexels.com",
#      "description": "免费高品质图片下载网站",
#      "title": "Pexels",
#      "content": "提供海量共享图片素材，每周都会定量更新，所有的图片都会显示详细的信息，例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等，高清大图质量很不错。"
#    },
#    ……
#  ]
#}
/<code>

很好，得到了我想要的结果，那么如果还是觉得麻烦，也可以使用它的在线网站进行操作，我建议用以下几种方式使用：

1、安装全局环境，使用 tmme 命令2、安装 VSCode 插件 vscode-temme) 在VSCode 中直接执行，可以方便抓取回的内容直接编排（强烈推荐）3、在自己的项目中引用

下面演示一下在 vscode 中的操作，这个是官方插件中的示例，我后面的一些使用也都基于 vscode-temme 插件，非常方便。

相关资料

temme 源码库 https://github.com/shinima/temme

常用爬虫库

https://scrapy.org/

https://github.com/cheeriojs/cheerio

https://github.com/puppeteer/puppeteerthal

閱讀更多 劉佰晟 的文章

關鍵字: jQuery 网络爬虫 优雅