Uso
de expresiones regulares: es la mejor forma para extraer
información de páginas webs pueden ser las expresiones regulares,
aunque comúnmente no se recomienda utilizarlas para parsear el
formato HTML por su complejidad , si una consultora lo realiza con las herramientas adecuadas es la mas potente de todas las formas.
Parsers
de HTML: Algunos lenguajes, como XQuery y HTQL pueden ser
utilizados para parsear documentos, recuperar y transformar el
contenido de documentos HTML.
Reconocimiento
de información semántica: las páginas que son analizadas
podrían incluir metadatos o cierta información semántica como
anotaciones o comentarios, los cuales pueden ser usados comúnmente.
Si estas anotaciones están en las mismas páginas, como sucede con
los microformatos, estas podrían ser de utilidad cuando parseamos el
DOM del documento.
