信息组织与提取

一、信息标记的三种方法

 

信息的标记：

标记后的信息可形成信息组织结构，增加信息维度

标记后的信息可以用于通信、存储或展示

标记的结构与信息一样具有重要的价值

标记后的信息更利于程序理解和应用

 

信息标记的三种形式：XML JSON YAML

XML:标签

 

JSON ：有类型的键值对key:value

"key ":"value "

"key":["value" ,"value" ]

"key":{“subkey":"subkey"}

 

YAML ：无类型键值对key:value

缩进表示所属关系

 

二、三种信息标记的比较

XML:Internet上的信息交互与传递

JSON:移动应用云端和节点的信息通信，无注释

YAML:各类系统的配置文件，有注释易读

 

三、信息提取的一般方法

方法一：完整解析信息的标记形式，在提取关键信息

方法二：无视标记形式，直接搜索关键信息（过程简洁速度快，缺点：准确性）

融合方法：结合形式解析与搜索方法，提取关键信息

from bs4 import BeautifulSoup

soup = BeautifulSoup(demo,"html.parser")

for link in soup.find_all('a'):

print(link.get('href'))

 

四、基于bs4库的HTML查找方法

<>.find_all(name,attrs,recursive,string,**kwargs)

返回一个列表类型，存储查找的结果

name:对标签名称的检索字符串（可以用正则表达式）(re.compile(' '))

attrs:对标签属性值的检索字符串，可标注属性检索

recursive:是否对子孙全部索引，默认True

string:<>...</>中字符串区域的检索字符串

 

find_all拓展方法