Web-Harvest是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有

用的数据。Web-Harvest主要是运用了像XSLT,XQuery,正则表达式等这些技术来实现对text/xml的操作。

个人感觉，这个工具的设计构想很好，利用写好的xml脚本把指定的html转化成xml，然后再利用xml

解析器从中抽取信息。这样在编写网页信息抽取工具时，我们就不用担心网页格式的变化，会影响到信息

抽取的结果，因为整个抽取信息的部分都是通过配置对应的脚本实现的，我们只要修改脚本就可以了，不

用更改程序代码。

下面是我按照这个开源工具自己带的例子改写的一个提取yahoo搜索信息的脚本，用Web-Harvest执行它

，可以提取以"KMS"为关键字在yahoo搜索引擎上搜索得到的结果。

脚本xml：

KMS

http://search.yahoo.com/search?p=${search}

//big[.='Next']/a/@href

//ol/li

10

let $name := data($item//div[1]/a[1])

let $src := data($item//div[1]/a[1]/@href)

let $abs := data($item//div[2])

return

{normalize-space($name)}

{normalize-space($src)}

{normalize-space($abs)}

]]>

结果xml：

KMSResearch

http://rds.yahoo.com/_ylt=A0geuodL05lFpaEArQxXNyoA;_ylu=X3oDMTB2b2gzdDdtBGNvb

G8DZQRsA1dTMQRwb3MDMQRzZWMDc3IEdnRpZAM-/SIG=11fph2etm/EXP=1167795403/**http%3a//www.kmshaircare.com/

Learn about each subbrand which has its own purpose and look to support your way of

life, mood, or whim.

.

.

.

Summer - KMS promotional items

http://rds.yahoo.com/_ylt=A0geupZ705lFwVkAMQZXNyoA;_ylu=X3oDMTExYm1vY2p0BGNvb

G8DZQRsA1dTMQRwb3MDMTAwBHNlYwNzcgR2dGlkAw--/SIG=11q4tb45p/EXP=1167795451/**http%3a//kms-fra.com/en/products/sommer/

KMS Design. Special designs. Onpacks and Inpacks ... KMS presents the smallest solar

charger available. ... The KMS SoftFrisbee - this UFO is foldable! ...

如果你对xml,xpath,xquery这些技术都有了解，在看过Web-Harvest的帮助(http://web-harvest.sourceforge.net/manual.php)后，相信上面的脚本xml应该不难理解。

在整个试用过程中，我也发现了Web-Harvest的一些问题，比如他使用tagsoup对html网页进行清洗

，会造成一些格式不太规范的网页数据丢失(比如google的搜索页面),希望Web-Harvest的开发者能够

注意到这个问题，毕竟现在能够严格遵守HTML4.0规范的网页并不多，更多的是xml出现之前就已经存在

的网页。现在的web信息抽取使用xml技术实现无疑是最理想的，而Web-Harvest已经为我们搭建了一个

可供选择的抽取模型，如何解决对大量不规范网页的无损xml转换，将是这个工具能否运用到实际中的关

键环节。

还有，由于本人水平有限，在利用Web-Harvest抽取中文的网页，还没发现完全没有乱码的网页。

这篇文章的目的是希望能够抛砖引玉，能有更多的人关注Web-Harvest这个工具。因为Web-Harvest

还有很多高级的应用我还没有研究；还有很多需要改进的地方。但它至少给我一个启示，完全结构化的，

动态化的网页信息抽取是可以实现的，而且并不难。

参考文献：

Web-Harvest：http://web-harvest.sourceforge.net/

XPath教程：http://www.zvon.org/xxl/XPathTutorial/Output_chi/introduction.html

XQuery教程：http://www.w3pop.com/tech/school/xquery/default.asp