Tagstractor - простой regexp-подобный язык "выдирания" данных из HTML.

http://dramele.livejournal.com/122607.html

Кратко: простой язык запросов данных из HTML-страниц. Позволяет за минуту решать вопрос выдирания топиков из форумов, новостей и ещё чего-нибудь с сайтов.

На стадии активного добавления фич. Сделан на С++. Позже возможно появление в виде библиотек.

Является бояном и велосипедом в плане своих возможностей, но имеет простые отличия от аналогов. Например, не строит дерево DOM в памяти, не осуществляет "навигацию" по иерархии документа, т.к. в реальном мире иногда это дерево содержит ошибки, которые нужно как-то исправлять, что не всегда понятно как, а браузер хорошо всё рендерит и ошибки живут. Документ рассматривается просто как поток тегов и кусков текста между ними, а пользователю даётся regexp-подобный язык, который оперирует именами тегов и их параметрами, позволя по ходу разбора генерировать пользовательские переменные, запихивая в них содержимое какого-нибудь параметра тега или текстового блока.

На велосипедарности и боянистости можно не критиковать ) Про XPath, Web::Scarper автору известно хорошо.