收集電子郵件地址、競爭分析、網站檢查、定價分析和客戶數據收集 — 這些可能只是你需要從 HTML 文檔中提取文本和其他數據的幾個原因。不幸的是，手動做這種事是很痛苦的而且效率很低，在某些情況下甚至不可能實現。幸運的是，現在有各種各樣的工具可以實現這些需求。下面的 7 個工具包括了由為初學者和小項目而設計的非常簡單的工具到需要一定的編碼知識，旨在用于更大，更困難的任務的高級工具。

Iconico HTML 文本提取器 (Iconico HTML Text Extractor)

試想一下，你正在瀏覽競爭對手的網站，然后想提取出文本內容，又或是想看看頁面背后的 HTML 代碼。但十分不幸，你發現右鍵被禁用了，復制和粘貼也是如此。現在許多 Web 開發人員正在采取措施禁用查看源代碼，否則鎖定其頁面。幸運的是，Iconico 有一個 HTML 文本提取器，你可以用來繞過所有的這些限制，而且這個產品非常易于使用。你可以高亮和復制文本，提取功能的運行使用輕易得像上網一樣。

UiPath

UIPath 有一套自動化過程工具，里面包含了一個 Web 內容抓取實用程序。要使用該工具，并獲得所需的幾乎任何數據十分簡單 — 只需打開頁面，轉到工具中的設計菜單，然后單擊“網絡抓取(web scraping)”。 除了網絡抓取工具，屏幕抓取工具允許您從網頁中拉取任何內容。 使用這兩種工具意味著您可以從任何網頁抓取文本，表格數據和其他相關信息。

Mozenda

Mozenda 允許用戶提取 Web數據，并將該信息導出到各種智能商務工具。它不僅可以提取文本內容，還可以從 PDF 文件中提取出圖像，文件和內容。然后，你可以將這些數據導出到 XML 文件，CSV 文件，JSON 或者可以選擇使用 API。 提取和導出數據后，就可以使用 BI 工具進行分析和報告。

HTMLtoText

這款在線工具可以從 HTML 源代碼中提取文本，甚至只是一個 URL 也可以。你所需要做的只是復制和粘貼，提供一個 URL 或者上傳文件。 單擊選項按鈕，讓工具知道你需要的輸出格式和一些其他的細節，然后點擊轉換，你將獲得你需要的文本信息。

(還有一個類似的工具 — www.htmlnest.com/htmltotext.aspx)

Octoparse

Octoparse 的特征是它提供的是“點擊”用戶界面。即便是沒有過編碼知識的用戶也可以從網站提取數據并將其發送到各種文件格式。這個工具包括從頁面中提取電子郵件地址，從招聘板上提取職位列表等功能。該工具適用于動態和靜態網頁以及云采集(配置好采集任務關機也能采集數據)。它提供了一個免費版本，對于大多數使用場景應該足夠應付，而付費版本則有更多豐富的功能。

如果你是為了進行競爭分析而抓取網站，可能會因為此活動而被禁止。因為 Octoparse 包含一個循環識別你的 IP 地址的功能，并能通過你的 IP 禁止你使用。

Scrapy

這個免費的開源工具使用網絡爬蟲從網站提取信息，使用這個工具需要一些高級技能和編碼知識。但如果你愿意以你的方式去學習使用它，Scrapy 是抓取大型 Web 項目的理想選擇。該工具已被 CareerBuilder 和其他主要品牌使用。因為它是一個開源工具，所以這為用戶提供了很多良好的社區支持。

Kimono

Kimono 是一個免費的工具，從網頁獲取非結構化數據，并將該信息提取為具有 XML 文件的結構化格式。該工具可以交互使用，也可以創建計劃作業以在特定時間提取你需要的數據。你可以從搜索引擎結果、網頁、甚至幻燈片演示中提取數據。最重要的是，當你設置好每個工作流時，Kimono 會創建一個 API。這意味著當你返回到網站以提取更多數據時，不必再重新造輪子。

結論

如果你遇到需要從一個或多個網頁中提取非結構化數據的任務，那么此列表中至少有一個工具應該包含你需要的解決方案。而且無論你的期望價格是什么，你都應該能找到你所需要的工具。了解清楚然后決定哪個是最適合你的。要知道，大數據在企業蓬勃發展中的重要性，并且收集所需信息的能力對于你來說也是至關重要。