1) 内部 HTML  からデータを抽出する

HTMLは、Webページを作成するためのマークアップ言語の1つです。要素の内部HTMLを抽出すると、その要素に含まれるHTMLマークアップが取得されます。ですから、画像やアイコンの形で表示された情報には、まず内部HTMLを抽出し、データ再フォーマットツールで取得したコードから対象データを抽出できます。

Yelp.comでレストランの星の評価を例として使います。

• 「星の評価」をクリックします。
• 「Extract inner HTML of the selected element」を選択します。

ワークフロースイッチを開き、ワークフローモードに切り替えます。抽出された内部HTMLが「Data field」に追加されました。

         <img class="offscreen" src="https://s3-media2.fl.yelpcdn.com/assets/srv0/yelp_design_web/9b34e39ccbeb/assets/img/stars/stars.png " alt="4.0 star rating" height="303" width="84">

星の評価（4.0 star rating）の数値は、Webページで直接利用できないコードに含まれています。今、正規表現でデータを再フォーマットすることで、「4.0」を取得できます（HTMLの再フォーマットはパート3を見る）。

2) 外部 HTML  からデータを抽出する

外部HTMLは、開始タグと終了タグ、およびコンテンツを含む要素属性です。ですから、内部HTMLより、外部HTMLはより多くの情報を提供できます。内部HTMLに見つからない情報は外部HTMLに置くかもしれません。

外部HTMLを抽出する手順は、内部HTMLの手順と似ています。

• 必要なデータをクリックします。
• 「Action Tips」から「Extract outer HTML of the selected element」を選択します。

3) RegExツールでデータを再フォーマットする

データ再フォーマットツール は、抽出されたデータを処理するのに非常に役立ちます。Octoparseには8つデータ再フォーマットツールがあります。 このチュートリアルでは、2つのHTML関連の再フォーマットツールについて説明します。

データ再フォーマットツールを利用するには、

• 再フォーマットするデータフィールドを選択します。
• をクリックして、フィールドをカスタマイズします。
• 「Refine extracted data」をクリックします。
• 「Add step」をクリックします。

1. HTML transcoding

内部／外部HTMLを抽出したら、「HTML transcoding」を使ってHTMLタグをプレーンテキストに変換できます。例えば、"&gt"を ">"に変換し、 "＆nbsp"をスペースに変換します。

• 「HTML transcoding」を選択します。
• 「Evaluate」をクリックして出力を確認します。
• 「OK」をクリックして設定を保存します。

2. Match with Regular Expression

• 「Match with Regular Expression」を選択します。
• 「Try RegEx Tool」をクリックします。
• マッチ基準を入力します：start with 「alt=" 」, end with 「star rating"」
• 「generate」をクリックしてから「Match」をクリックすると、星の評価 (4.0)の数値が一致します。
• 「Apply」をクリックします。
• 「OK」をクリックして設定を保存します。