信息标记与信息提取方法

一、信息标记的三种形式

1、XML

• 空元素的缩写形式:<imgsrc=“china.jpg” size=“10” />
• 注释书写形式: <!‐‐Thisisacomment,
  very useful ‐‐>

2、JSON

• 多值用[,]组织
• 键值对嵌套用{,}
  

3、YAMML

• 缩进表达所属关系
• “-”表达并列关系
• “|” 表达整块数据
• “#” 表示注释

二、三种信息标记形式的比较

三、信息提取的一般方法

方法一：

完整解析信息的标记形式（XML、 JSON、 YAML），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

• 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

对信息的文本运用查找函数进行查找，例如：bs4库提供的查找方法
<>.find_all(name,attrs,recursive, string, **kwargs)

方法三：（常用）

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