4.2.1 HTML网页的数据抽取
HyperText Markup Language,简称HTML,即超文本标记语言,它包含了一套标记标签,主要用于创建和描述网页。HTML可以以文档的形式展示,HTML文档中包含HTML标签和纯文本。其中,HTML标签是由尖括号括起来的关键词,例如 <html>和</html>
1.打开Kettle工具,创建转换
通过使用Kettle工具,创建一个转换转换html_extract,并添加“自定义常量数据”输入控件、“HTTP client”查询控件和“Java代码”脚本控件。
2.配置自定义常量数据控件
双击“自定义常量数据”控件,进入“自定义常量数据”界面。单击“元数据”选项卡,定义一个字段常量filename和User-Agent并指定数据类型String;单击“数据”选项卡,在字段常量filename添加html形式数据所在的URL,即https://movie.douban.com/chart;在字段常量User-Agent添加用户代理,即“Mozilla/5.0(Windows NT 10.0;Win64;x64;rv;82.0)Gecko/20100101 Firefox/82.0”。