如何将html网页中的数据提取出来保存在数据库中？
这种其实就是做一个采集工具了。
首先看你的需求，你需要采集一个网站的名称和价格然后和另一个网站做对比。
那么总结一下，也就是你需要采集两个网站的数据（对比其实就是按照名称关联一下）
在这里说一下爬虫的几个主要环节
1.网页内容获取（html获取）
获取的方法有很多种，最常见的就是直接通过get和post下载页面html，基本所有语言都有现成的可以调用，当然你也会遇到异步加载或者其他问题，这时候可以试着使用调用浏览器解决。
2.网页内容提取（你需要的名称和借个提取）
网页内容提取就是通过正则表达式或者xpath获取你需要的数据，这个应该不用我多说
3.提取内容入库（获取到的数据保存到表格或者数据库或者页面显示）
入库的话就看你使用什么样的形式了，一般会用轻量一点的数据库，这样之后对于比价（关联查询）也会比较方便。
需要用到的知识大概就是一点编程基础（看一些开源的爬虫程序），一些网络基础（抓包发包），会正则表达式或者xpath，有简单的数据库基础，这样感觉就差不多了。
当然现在网上的采集工具也很多，对于数据量不大或者采集比较简单的可以不用自己写程序，通过采集工具就可以完成。
怎么学网络爬虫？
网络爬虫，说的明白一些，就是一个数据采集的过程，解析网页、提取数据，下面我简单介绍一下学习网络爬虫的过程，主要内容如下：
1.基础的前端网页知识，这个是学习网络爬虫的基础，我们爬取的大部分网络数据都是存储在网页中，如果连基本的网页都看不懂，就无从爬取数据，不要求你对网页知识多么的熟悉、精通，最起码的html,css,js要能看懂，如果这些还不会的话，建议花个两三天学习一下：
2.要会抓包分析，使用开发者工具（按F12就行），有些网页数据是静态加载的，可以直接请求、解析页面，而有些页面数据是动态加载的，直接请求是获取不到的，这时就需要我们进行抓包分析，获取真实的数据文件，像json，xml等，然后才能解析，提取出我们需要的数据，如果还不熟悉开发者工具，建议学习一下，很简单，也不难：
3.再着就是编程爬取网络数据了，这个根据自己需求选择一门编程语言就行，java，python等都可以，如何没有任何编程基础的话，建议选择python，好学易懂、语法简单，非常适合初学者，有许多现成的爬虫包可直接利用，像urllib,requests,bs4,lxml等，使用起来非常方便，后期熟悉后，你也可以使用scrapy爬虫框架，效率会更高：
4.最后，就是存储爬取的数据了，数据量小的话，可以直接利用excel,csv等文件存储，要是数据量比较大的话，你还需要利用数据库进行存储，像mysql,mongodb等，有时间的话，建议可以学习一下：
目前就分享这么多吧，其实后面还有许多知识，像如何处理反爬，加密、验证码处理，分布式爬虫、存储等，都需要学习研究一下，感兴趣的话，可以搜一下相关资料和教程，网上也有介绍，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言。
大数据时代，企业对数据的重视程度与日俱增。然而巧妇难为无米之炊，如果没有数据，再好的数据挖掘技术也变不出个花儿来。因此，能快速获取大量有效数据的企业，往往能在市场竞争中占得先机。
而爬虫，作为一种有效的数据获取手段，也得到了越来越多的瞩目。
我先假设题主是零基础，对编程和爬虫都没有太多认识。
首先，你需要掌握一门编程语言，目前最容易入门、应用最广的就是Python了。
然后你要了解爬虫是什么，了解一点HTML的基础知识，也就是说，给了你网页源码，你要大概知道它是个什么东西，因为从里边提取信息的时候，很多提取的库比如BeautifulSoup、XPath(在lxml里)、Selenium等都是需要使用者对HTML或者XML的结构有一定认识的。
接下来你需要学会使用常见的爬虫库。对于绝大多数简单的静态页面，使用urllib或者基于它的requests库就可以完成抓取了。当需要大规模应用时，可以考虑使用scrapy，它甚至支持分布式爬虫。有一些页面加了复杂的反爬虫策略，比如随机码或者验证信息等，这时可以使用Selenium来实现所见即所得的抓取程序。
获取到网页源码之后，就需要对它们进行解析。如上方所说，常见的解析库有re(正则表达式)、BeautifulSoup、lxml(使用XPath表达式)、pyquery，另外scrapy和selenium也都有自己的解析方法。
数据解析出来后，需要保存下来，一般可以保存到本地或者数据库中。推荐学习的库有csv、pandas、pymysql、pymongo等。
至于后续的分析，等你把这些掌握了，你自然就知道去哪里找分析需要使用的库了。
学习资料推荐崔静才的Python3爬虫书，可以网上搜索。也可以去我的个人博客，里边会有一些爬虫类的分享。数洞: www.data-insights.cn/www.data-insight.cn.