Extraer datos del código fuente

HTML es el lenguaje de marcado estándar para crear páginas web. Cuando extraemos el HTML interno de un elemento en la página, obtendremos el marcado HTML contenido dentro del elemento. Entonces, para la información que se muestra en forma de una imagen o icono, primero podemos capturar su HTML interno y luego extraer aún más los datos de destino del código extraído mediante el uso de herramientas de reformateo de datos.

Tome como ejemplo la clasificación por estrellas de un restaurante en Yelp.com.

• Haga clic en la "calificación de estrellas"
• Seleccione "Extraer HTML interno del elemento seleccionado"

Cambie al modo de flujo de trabajo alternando el interruptor de flujo de trabajo . El HTML interno extraído se había agregado al "campo de datos",

         <img class="offscreen" src="https://s3-media2.fl.yelpcdn.com/assets/srv0/yelp_design_web/9b34e39ccbeb/assets/img/stars/stars.png " alt="4.0 star rating" height="303" width="84">

Observe que el valor numérico de la calificación de estrellas (4.0) incluye el código extraído, aunque no estaba directamente disponible en la página web. Ahora que tenemos el código, podemos identificar más "4.0" a partir de él mediante el formateo de los datos con Expresión regular (obtenga más información sobre cómo formatear HTML en la Parte 3).

2) Extraer datos de outer HTML 

El HTML externo es una propiedad de elemento que incluye las etiquetas de apertura y cierre, así como el contenido. Por lo tanto, capturar el HTML externo técnicamente puede proporcionar más información que el HTML interno. Si la información necesaria no se puede encontrar en el HTML interno, aún es posible ubicarla en el HTML externo.

Los pasos para extraer HTML externo son similares a los del HTML interno:

• Haga clic en los datos necesarios.
• Seleccione "Extraer HTML externo del elemento seleccionado" de "Consejos de acción"

3) Reformatear datos con herramientas RegEx

Las herramientas de reformateo de datosl son muy útiles para procesar los datos extraídos y limpiarlos. Hay 8 herramientas integradas de reformateo de datos en Octoparse. A los efectos de este tutorial, cubriremos dos herramientas de reformateo relacionadas con HTML.

Para acceder a la herramienta de reformateo de datos,

• Seleccione el campo de datos para formatear
• Haga clic para personalizar el campo.
• Haga clic  en "Refinar datos extraídos"
• Haga clic en "Agregar paso"

2. Match with Regular Expression

• Select "Match with Regular Expression"
• Click "Try RegEx Tool"
• Enter the match criteria: start with " alt=" ", end with "star rating"
• Click "generate", then "Match", you will see the number value of star rating (4.0) is matched. 
• Click "Apply" 
• Click "OK" to save the settings

1. Transcodificación HTML

Una vez que haya extraído el código HTML interno / externo, puede convertir las etiquetas HTML en texto sin formato mediante la "HTML transcoding". Por ejemplo, transcode "&gt" into ">" and "&nbsp" en un espacio.

• Seleccione "HTML transcoding"
• Haga clic en "Evaluate" y confirme la salida
• Haga clic en "OK" para guardar la configuración

2. Combina con la expresión regular

• Seleccione "Coincidir con expresión regular"
• Haga clic en "Try RegEx Tool"
• Ingrese los criterios de coincidencia: comience con "alt =" ", termine con"star rating "
• Haga clic en "generate", luego en "Match", verá que el valor numérico de la calificación de estrellas (4.0) coincide.
• Haga clic en "Apply"
• Haga clic en "OK" para guardar la configuración