我正在寻找一种简单的工具，它可以抓取我提供的网页并从中提取所有文本元素。如果它能做到以下几点就太好了：纯文本、图片的 alt 和标题、标题部分。如果可能的话，所有这些都分开。输出应该是可搜索的，或者是它抓取的每个页面的文本文件 (xml)。我需要这些文本来将它们传递给翻译人员。
答案1
好老山猫可以为您提供您所需的大多数功能。lynx -dump http://superuser.com/例如，尝试一下。
您还可以使用wget它递归地爬取您需要的站点，然后使用各种可用的转换器处理文件，例如htmltidy。