从 web delphi 中提取信息的最佳方法答案

【问题标题】：best way to extract info from the web delphi从 web delphi 中提取信息的最佳方法
【发布时间】：2012-02-09 06:42:52
【问题描述】：

我想知道是否有更好的方法从网页中提取信息，而不是解析 HTML 以获取我正在搜索的内容。即：从“imdb.com”中提取电影评分

我目前正在使用 IndyHttp 组件来获取页面，并且我正在使用 strUtils 来解析文本，但内容有限。

【问题讨论】：

网页不一定是有效的 XHTML 文档，并且 Javascript 可以更改 DOM，所以我认为您应该从嵌入式 Web 浏览器（如 TWebBrowser 或 Chromium Embedded）探索 DOM。
依赖 DOM 和 TWebBrowser 应该是最后的手段，因为它会很慢并且容易出错。如果要抓取的数据来自 JavaScript，可以直接从 JavaScript 抓取。如果它填充了某种形式的 Ajax，则可以直接编写并获取 Ajax URL。无论浏览器做什么，都可以手动模拟。

标签： delphi parsing html-content-extraction information-extraction

【解决方案1】：

所有发布的答案都很好地涵盖了您的一般问题。我通常遵循类似于 Cosmin 详述的策略。我使用 wininet 和 regex 来满足我的大部分网络提取需求。

但是，让我在提取 imdb 资格的特定子问题中添加我的两分钱。 IMDBAPI.COM提供查询接口返回json码，对于这类搜索非常方便。

因此，获得 imdb 评级的一个非常简单的命令行程序将是......

program imdbrating;
{$apptype console}
uses htmlutils;

function ExtractJsonParm(parm,h:string):string;
 var r:integer;
 begin
  r:=pos('"'+Parm+'":',h);
  if r<>0 then 
    result:=copy(h,r+length(Parm)+4,pos(',',copy(h,r+length(Parm)+4,length(h)))-2)
  else
    result:='N/A';
 end;
    
var h:string;
begin
  h:=HttpGet('http://www.imdbapi.com/?t=' + UrlEncode(ParamStr(1)));
  writeln(ExtractJsonParm('Rating',h));
end.

【讨论】：

+1 表示比“屏幕抓取”更不可能打破的答案。

【解决方案2】：

在抓取网站时，您不能依赖信息的可用性。 IMDB 可能会检测到您的抓取并试图阻止您，或者他们可能会频繁更改格式以使其更加困难。

因此，您应该始终尝试使用受支持的 API 或 RSS 提要，或者至少获得网站的许可来汇总他们的数据，并确保您遵守他们的条款。通常，您必须为此类访问付费。在未经许可的情况下抓取网站可能会使您在几个法律方面（拒绝服务和知识产权）承担责任。

这是 IMDB 的statement：

您不得使用数据挖掘、机器人、屏幕抓取或类似功能我们网站上的在线数据收集和提取工具。

要回答您的问题，更好的方法是使用网站提供的方法。对于非商业用途，如果您遵守他们的terms，您可以download the IMDB database directly 并使用那里的数据而不是抓取他们的网站。只需经常更新您的数据库，这是比抓取网站更好的解决方案。您甚至可以围绕它包装自己的 Web API。评级以独立表格的形式提供。

【讨论】：

+1 用于指出屏幕刮擦的危害。顺便说一句，否决票是没有根据的。 IMO，这方面的讨论对于任何重要的第三方数据使用都至关重要。

【解决方案3】：

我发现简单的正则表达式在处理好网站时非常直观和简单，而 IMDB 是一个很好的网站。

例如，IMDB 的电影 HTML 页面上的电影分级在 <DIV> 和 class="star-box-giga-star" 中。使用正则表达式非常容易提取。以下正则表达式将从原始 HTML 中提取电影评级到捕获组 1：

star-box-giga-star[^>]*>([^<]*)<

它并不漂亮，但它可以完成工作。正则表达式查找“star-box-giga-star”类 id，然后查找终止 DIV 的 >，然后捕获所有内容，直到以下 <。要创建这样的新正则表达式，您应该使用允许检查元素的 Web 浏览器（例如 Crome 或 Opera）。使用 Chrome，您可以简单地查看网页，右键单击要捕获的元素并执行 Inspect element，然后四处寻找可用于创建良好正则表达式的易于识别的元素。在这种情况下，"star-box-giga-star" 类显然很容易识别！在好的网站上找到此类可识别的元素通常没有问题，因为好的网站使用 CSS，而 CSS 需要 ID's 或 class'es 才能正确设置元素的样式。

【讨论】：

【解决方案4】：

如果您正在抓取的页面是有效的 XML，我使用 SimpleXML 来提取信息。效果很好。

资源：

Download link。

【讨论】：

是的，但这不是 PHP 中已知的 SimpleXML。看这里：blog.spreendigital.de/2011/11/10/…
我也推广 SimpleXML：SimpleXML 非常有限，但在某些情况下非常方便。尽管 OP 寻求解析的替代方法，但您的答案很有价值。如果您提供使用它的示例代码，我会支持它。谢谢。

【解决方案5】：

使用 HTML Tidy 将任何 HTML 转换为有效的 XML，然后使用 XML 解析器，可能使用 XPATH 或开发自己的代码（这就是我所做的）。

【讨论】：

【解决方案6】：

处理 RSS 提要 更舒适。

截至发帖时，网站上唯一可用的 RSS 提要是：

在这个日期出生
于该日期死亡
每日投票

不过，您可以致电help desk 来添加新的。

有关 RSS 提要处理的资源：

相关post 在这里。
Super Object
Wikipedia。

【讨论】：