请参考下面博文： http://blog.csdn.net/ajaxhu/article/details/38406687

网页抽取技术和算法，持续更新。本文由WebCollector提供，转载请标明出处。 转自：http://blog.csdn.net/AJAXHu/article/details/48382381 网页抽取简介基于正则表达式的网页抽取基于CSS选择器的网页抽取基于机器学习的网页抽取 一. 网页抽取简介 网页抽取在大多数情况下，指提取网页中的结构化数据。网页抽取技术近十几年方法和工具变化都较快

官网地址：https://github.com/CrawlScript/WebCollector 。这是java版本，如果想要体验Python版本的话请移步 https://github.com/CrawlScript/WebCollector-Python 其它介绍文章 https://www.freesion.com/article/255392486/https://blog.csdn.