网页里的结构化数据怎么取？extruct 一行代码抽出 JSON-LD 与微数据

GitHub 仓库

scrapinghub/extruct

总 Stars

★ 980

主要语言

Python

查看 GitHub 项目

结论先说：extruct 是 Python 写的结构化数据抽取库，980 个 star，BSD 协议，2026 年 10 月 15 日刚有提交。输入一段 HTML，它把页面里埋的数据一次全取出来：JSON-LD、Microdata、RDFa、Microformats，不用自己写一堆选择器。

做竞品价格监控、文章聚合、SEO 审计时，先拿它把商品、文章、评分这些信息结构化；也能接在 Scrapy 后面当解析环节。装上 cli 扩展后还能直接对网址跑，命令行里就能出结果。

它和 BeautifulSoup 有什么区别？

BeautifulSoup 是通用解析器，标签怎么拆全靠你写；extruct 只干一件事，按 W3C 那几套标准把已经结构化的数据捞出来。页面本身没埋结构化数据，它就无能为力，这时还是得上选择器或 trafilatura 这类正文抽取工具。

适合做数据采集、SEO 工具、价格比对的人，需要 Python 3.8 以上。注意：最新版 0.18.0 是 2024 年 11 月的；依赖 lxml、rdflib 等一串库，装的时候留意版本冲突；它不处理登录与反爬，别拿它去碰登录后的页面。

站长点评：我挑它是因为站里爬虫类多半是整站抓，缺一个只取结构化数据的轻量件。980 个 star 不算多，但它是 Scrapy 同门出品，定位干净，用在解析环节刚刚好，别指望它单打独斗扛起整个采集流程。