json返回的img图片被原样输出_如何优雅地从 HTML 文档中提取 JSON 数据

本文内容已假定您已拥有一些 html 以及爬虫的基础知识

需求背景

这几天在做一款资源站产品，开发过程中需要一定的测试数据，就考虑从网络中的一些网站中爬取一些，但由于用量较少不想因此去写一个爬虫，而且需要对取回的数据能快速调整转换。

市场上虽然有很多爬虫工具和开源库，但大部分用下来都觉得过于“重”了。虽然需要获取的数据较少，但要求的即时性高、数据返回格式便于调整，在试用各种工具和库的时候，发现了一款基于cherrio 封装实现的库 temme，试用之后感觉真的是神器，所以也很希望分享给大家。

temme 是一个类 jQuery 的选择器，用于简洁优雅地从 HTML 文档中提取所需的 JSON 数据。有在线版本和 vscode-temme 插件，文尾有开源库地址。

案例实践

实战一个例子体验一下：

要求如下：

从一个设计资源站 design.maliquankai.com，中提取一些 JSON 格式内容数据，网站如下：

需要将网站 html 内容提取为以下格式的数据：

  "图库": [    {      "cover": "images/img/pexels.jpg",      "guid": "https://www.pexels.com",      "description": "免费高品质图片下载网站",      "title": "Pexels",      "content": "提供海量共享图片素材，每周都会定量更新，所有的图片都会显示详细的信息，例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等，高清大图质量很不错。"    },……

用浏览器查看网站的 html 源，它的内容格式部分如下：

图库网站已收录36个网站

免费高品质图片下载网站

Pexels

提供海量共享图片素材，每周都会定量更新，所有的图片都会显示详细的信息，例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等，高清大图质量很不错。

1.6百万张高质量免费图像

Pixabay

Pixabay 拥有超过1.6百万张高质量免费图像、矢量和视频素材，你可以复制、修改、转发等方式使用这些图像，甚至用作商业用途，无需申请许可，也无需支付版税。

……

需求和源都准备就绪，开始实操：

1 安装环境

# 全局安装 temmeyarn global add temme

2 编写 temme 选择器

temme 原理是根据 CSS 选择器语法从 HTML 文档/片段中抓取想要的数据。语法支持JavaScript 字面量(string/number/null/boolean/RegExp)

将下面内容，存为 selector.temme 文件

// 因为这个是可重复利用的代码，可以写成代码片断供下面抓取的语法共享使用@contentInfo = {  img[data-src=$cover src=$imgUrl];  a[href=$guid];  .case-info-logo p{$description};  .case-info-title {$title};  .case-info-text {$content}};// 这个 floor1 对应 html 文档中的 ，由此可以分区域抓取.floor1 li@插画{    @contentInfo;};.floor2 li@图库{    @contentInfo;};

执行以下命令

curl -s https://design.maliquankai.com/ | temme selector.temme --format# 输出如下:#{#  "插画": [#    {#      "cover": "images/illustration/undraw.jpg",#      "guid": "https://undraw.co/illustrations",#      "description": "一个扁平化插画图库",#      "title": "unDraw",#      "content": "unDraw是由Katerina Limpitsouni创建的一个扁平化插画图库，从网站上就可以直接调整所有插图的主要颜色，支持下载SVG和PNG格式，不需要标示出处，可用于商业用途。"#    },#    ……#  ],#  "图库": [#    {#      "cover": "images/img/pexels.jpg",#      "guid": "https://www.pexels.com",#      "description": "免费高品质图片下载网站",#      "title": "Pexels",#      "content": "提供海量共享图片素材，每周都会定量更新，所有的图片都会显示详细的信息，例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等，高清大图质量很不错。"#    },#    ……#  ]#}

很好，得到了我想要的结果，那么如果还是觉得麻烦，也可以使用它的在线网站进行操作，我建议用以下几种方式使用：

1、安装全局环境，使用 tmme 命令2、安装 VSCode 插件 vscode-temme) 在VSCode 中直接执行，可以方便抓取回的内容直接编排(强烈推荐)3、在自己的项目中引用

下面演示一下在 vscode 中的操作，这个是官方插件中的示例，我后面的一些使用也都基于 vscode-temme 插件，非常方便。

相关资料

temme 源码库 https://github.com/shinima/temme

常用爬虫库

https://scrapy.org/

https://github.com/cheeriojs/cheerio

https://github.com/puppeteer/puppeteerthal