HtmlParse是一个基于Windows平台的HTML文档解析工具。 它可以快速构建DOM树，轻松抓取网页元素。 DOM树是HTML文档的节点树。 每个节点由三个值描述：Tag、Attribute 和 Text。
所谓HTML文档解析，就是指如何构建DOM树。 只有成功构建了DOM树，才有可能进行后续的数据爬取和分析。 事实上，构建DOM树是一个相对复杂的过程，因为并不是每个HTML文档都会严格按照规范编写，所以解析过程需要有一定的容错能力。 据悉，解析效率也是一个需要考虑的激励因素，也就是说，通过一次文档扫描来构建 DOM 树比通过重复扫描更好。
下面介绍一下HtmlParse。
工具特点
1.绿色纯净天然，无任何第三方依赖库js去除html标签，文件大小小于150K； 2、解析速度快，具有一定的HTML句子容错能力，可以快速将HMTL文档解析成DOM树； 3、基于命令行参数，可以通过不同的参数获取指定TAG的属性值和文本内容，从而实现网页抓取功能； 4、爬取的数据可以以json格式输出，方便第三方程序进一步分析使用； 5. script脚本可以爬取到指定的js文件；
下载链接：
用法
HtmlParse HtmlPathFile -tag TagName [-attr] [Attribute] [-o] [JsonPathFile]解析指定的HTML文档，并将文档的指定标签和属性输出到指定文件中。
HtmlPathFile：必需参数，需要解析的HTML文档的路径名。 如果文件路径中有空格js去除html标签，可以使用双冒号包含文件路径；
-tag：必需参数，用于指定要抓取的HTML标签名称； -attr：可选参数，用于指定标签的属性值，如果不指定，将返回该标签的所有属性值； -o：可选 可选参数用于指定捕获内容输出的文件。 捕获的内容可以保存为json格式文件。 如果不指定该参数，则进行控制台输出。 如果脚本和样式被捕获，它们将被保存为js格式文件。
如果你想抓取doctype，可以使用-tagdoctype来获取整个doctype内容。 此时将忽略-attr指定的任何属性值。
例如
1、抓取网页中所有超链接
HtmlParse c:/sina.html -tag a -attr href -o c:/sina.json解析C盘下的sina.html文档，将文档中的所有超链接提取到sina.json文件中。 其中**-taga-attrhref用于指定href**属性来获取超链接标签a。
2、抓取网页中所有图片链接
HtmlParse c:/sina.html -tag img -attr src -o c:/sina.json解析C盘下的sina.html文档，并提取文档中的所有图片并链接到sina.json文件。
3、爬取网页中所有脚本
HtmlParse c:/sina.html -tag script -o c:/sina.js解析C盘下的sina.html文档，将文档中的所有脚本函数提取到sina.js文件中。
输出内容
如果通过-o参数指定输出文件，则会生成json格式的文档。 TagName是爬取的标签的名称，比如超链接的a，它的值是一个json链表，链表中的每个内容都是一个Json对象，每个Json对象由属性和文本组成。 如果-attr指定要爬取的属性，则AttrName为指定的属性名称，例如href或src。 text是标签的文本内容，有些标签没有文本内容，比如img、meta等，那么该值为空。 json格式如下：
{
"TagName":
{
{"AttrName":"AttrValue1", "text":"text1"}
{"AttrName":"AttrValue1", "text":"text2"}
}
}下面是一个sina网页的所有超链接json
{
"a": [{
"href": "javascript:;",
"text": "设为首页"
}, {
"href": "javascript:;",
"text": "我的菜单"
}, {
"href": "https://sina.cn/",
"text": "手机新浪网"
}, {
"href": "",
"text": "移动客户端"
}, {
"href": "https://c.weibo.cn/client/guide/download",
"text": "新浪微博"
}, {
"href": "https://so.sina.cn/palmnews/web-sinanews-app-download.d.html",
"text": "新浪新闻"
}, {
"href": "https://finance.sina.com.cn/mobile/comfinanceweb.shtml",
"text": "新浪财经"
}, {
"href": "https://m.sina.com.cn/m/sinasports.shtml",
"text": "新浪体育"
}, {
"href": "https://tousu.sina.com.cn/about_app/index?frompage=heimaopc",
"text": "黑猫投诉"
}, {
"href": "http://blog.sina.com.cn/lm/z/app/",
"text": "新浪博客"
}, {
"href": "https://games.sina.com.cn/o/kb/12392.shtml",
"text": "新浪游戏"
}, {
"href": "https://zhongce.sina.com.cn/about/app",
"text": "新浪众测"
}, {
"href": "https://mail.sina.com.cn/client/mobile/index.php?suda-key=mail_app&suda-value=login",
"text": "新浪邮箱客户端"
}, {
"href": "javascript:;",
"text": "关闭置顶"
}, {
