Comment utiliser htmlq pour extraire le contenu de fichiers html

La plupart d'entre nous aiment et utilisent la commande jq. Elle fonctionne sur Linux ou les systèmes de type Unix pour extraire des données de documents JSON. Récemment, j'ai découvert htmlq, qui est comme jq et écrit en langage Rust. Imaginez être capable de sed ou grep pour les données HTML. Nous pouvons rechercher, découper et filtrer des données HTML avec htmlq. Voyons comment installer et utiliser cet outil pratique sur Linux ou Unix et jouer avec les données HTML.

Qu'est-ce que l'outil htmlq ?

C'est comme jq, mais pour le HTML. Il utilise les sélecteurs CSS pour extraire des éléments de contenu des fichiers HTML. En CSS, les sélecteurs sont utilisés pour cibler les éléments HTML de nos pages Web que nous voulons styliser. Par exemple, nous pouvons extraire facilement les images ou d'autres URL à l'aide de cet outil.

Installation de htmlq sur Linux ou Unix

Voici comment installer cargo et rustc sur Ubuntu ou Debian Linux en utilisant la commande apt/apt-get :

$ sudo apt install cargo

Ensuite, tu t'enfuirais :

$ cargo install htmlq

installation de macOS cargo

Ouvrez l'application Terminal et exécutez la commande de port comme suit :

$ sudo port install cargo

Ou vous pouvez installer Homebrew sur macOS pour utiliser le gestionnaire de paquets brew comme suit :

$ brew install rustup # installs both cargo and rustc
$ rustup-init
$ rustc --version

Cargo intall FreeBSD

Je vais utiliser la commande pkg comme suit pour installer rustc :

$ sudo pkg install rust

Voir comment installer Rust pour autres systèmes d'exploitation. Maintenant que j'ai les outils rustc et cargo, je tape la commande simple suivante pour obtenir htmlq sur mon système de développement :

$ cargo install htmlq

Avez-vous installé Rust lang ? Maintenant, installez htmlq pour le plaisir et le profit en utilisant la commande cargo.

Configurer votre PATH

Assurez-vous d'ajouter $HOME/.cargo/bin à votre variable PATH pour pouvoir exécuter les binaires installés à l'aide de la commande export.

# sh/bash/ksh etc
export PATH="$PATH:$HOME/.cargo/bin" 
 
# tcsh/csh etc
setenv PATH $PATH:$HOME/.cargo/bin

Comment utiliser htmlq pour extraire le contenu des fichiers HTML sous Linux ou Unix

Utilisons la commande curl pour trouver une partie d'une page par ID :

$ curl -s url | htmlq #css-selector
$ curl -s url2 | htmlq #css-selector
$ curl -s https://www.hebergementwebgratuit.com/faq/ | htmlq --pretty #content | more

Trouvons tous les liens dans une page. Par exemple, essayez la commande curl et htmlq comme suit :

$ curl -s https://www.nixcraft.com | htmlq --attribute href a

Obtenir de l'aide

Il suffit de courir :

$ htmlq --help

htmlq 0.0.1
Michael Maclean 
Runs CSS selectors on HTML
 
USAGE:
    htmlq [FLAGS] [OPTIONS] ...
 
FLAGS:
    -h, --help                 Prints help information
    -w, --ignore-whitespace    When printing text nodes, ignore those that consist entirely of whitespace
    -p, --pretty               Pretty-print the serialised output
    -t, --text                 Output only the contents of text nodes inside selected elements
    -V, --version              Prints version information
 
OPTIONS:
    -a, --attribute     Only return this attribute (if present) from selected elements
    -f, --filename           The input file. Defaults to stdin
    -o, --output             The output file. Defaults to stdout
 
ARGS:
    ...    The CSS expression to select

Résumé

Le htmlq est un bel outil en effet, et je l'ai beaucoup aimé. Faites vérifier le code source sur Github. Essayez-le et faites-moi savoir ce que vous en pensez dans la section des commentaires ci-dessous.

Comment utiliser htmlq pour extraire le contenu de fichiers html sur linux, macos ou freebsd