GooSeeker

提取网页中的超链接和提取网页中的数据是网页数据提取/网络爬虫软件工具包MetaSeeker的两个核心任务，都需要提取规则的指导，同定义网页数据提取规则相比，提取网页中的超链接的规则定义要简单得多，主要原因是超链接本身有标准的格式，很容易从网页中识别出来，而且不用像提取网页数据那样要定义语义结构，因为超链接只有唯一的语义：给网络爬虫或者网页阅读者提供线索，以便从广度和深度方向在互联网（Web）上冲浪。即便如此，语义结构定义和网页提取规则生成工具MetaStudio仍然提供了多个便利且强大的手段，用以从网页上准确且高效地提取超链接，例如：

• 根据标志性文字提取网页中的超链接，例如：“下一页”，“>>”等表示翻页的超链接
• 根据超链接的URL地址特征提取网页中的超链接，当前版本使用地址字符串匹配算法，用户给出地址的前半部分，MetaSeeker识别出前半部分包含该字符串的URL地址
• 根据超链接在网页上的相对位置进行提取，主要用来提取翻页的超链接，例如，分成多页，用不同页码标识，[1],[2], ..., 但是没有第一种情形的标志
• 在网页中的特定位置提取单个超链接
• 从提取到的网页数据中提取超链接，也就是说超链接本身也是信息结构中的某个信息属性，在网页数据提取阶段已经提取下来了，从存储提取结果的整理箱中拿出来即可。

超链接提取规则是一组在目标页面上定位线索的XPath表达式，这组表达式由MetaStudio计算生成的，用户只需要告知MetaStudio在样本页面的什么位置提取线索，此操作称为线索映射，在Clue Editor工作台上完成。完成后，MetaStudio将所有超链接提取规则存放在线索提取指令文件（SCE文件）中。