如何轻松提取嵌入在html页面内的网页内容？

Question

如何轻松提取嵌入在html页面内的网页内容（如img，pdf，flv，doc，rtf，wmc等），而不是css和css背景图片，javascript。

我正在将旧内容网站迁移到新网站。重新上传所有图片，链接pdf，flv等。

Answer 1

如果您使用过XHTML，则可以使用普通的XML-Parser。

Answer 2

BeautifulSoup类op python是一个非常好的解析器，在执行这样的操作时非常方便。

Answer 3

为此，您需要一个HTML Parser。在Perl中，有HTML::Parser个模块。

Answer 4

1. 你可以使用firefox的Firebug插件进行读取。
2. 您可以使用以下内容构建自定义应用：
   http://www.codeplex.com/htmlagilitypack