信息标记的三种形式

信息标记的三种形式

XML eXtensible Markup Language 扩展标记语言

JSON JavaScript Object Notation 有类型的键值对 key:value

YAML YAML Ain’t Markup Language 无类型键值对 key:value

信息标记的三种形式比较

XML ：最早的通用信息标记语言，可扩展性好，但繁琐。

​ Internet上的信息交互与传递。

JSON：信息有类型，适合程序处理（js），较XML简洁。

​ 移动应用云端和节点的信息通信，无注释。

YAML：信息无类型，文本信息比例最高，可读性好。

​ 各类系统的配置文件，有注释已读

信息提取的一般方法

方法一：完整解析信息的标记形式，再提取关键信息。

需要标记解析器，例如：bs4库的标签树遍历

优点：信息解析准确

缺点：提取过程繁琐，速度慢。

方法二：无视标记形式，直接搜索关键信息。

搜索：对信息的文本查找函数即可。

优点：提取过程简洁，速度较快。

缺点：提取结果准确性与信息内容相关。

融合方法

结合形式解析与搜索方法，提取关键信息。需要标记解析器及文本查找函数。

实例

提取HTML中所有URL链接

思路：1）搜索到所有的标签

​ 2）解析标签格式，提取href后的链接内容。

import requests
from bs4 import BeautifulSoup
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo,'html.parser')
for link in soup.find_all('a'):
    print(link.get('href'))