信息标记与提取方法

——信息标记的三种方法

1.XML(扩展标记语言)

通过标签形式构建内容
最早的通用信息标记语言，扩展性非常好，繁琐
internet上的信息交互与传递

2.JSON(javascript 中对面向对象信息的一种表达形式)

有类型的键值对构建的信息表达
适合程序处理，比较简洁
移动应用云端和节点的信息通信，无注释

3.YAML(YAML不是一种标记语言)

无类型的键值对 Key ： value
有效信息比例最高的，可读性高
各类系统的配置文件，有注释易读
通过缩进来表达所属关系
用-表示并列关系，一个key : -value -value2
用|表示一个数据块
#进行注释

——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

XML JSON YAML
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，直接搜素关键信息

搜索
对信息的文本查找函数即可
优点：提取过程简介，速度较快
缺点：提取结果准确性与信息内容相关

——基于bs4的HTML查找

.find_all(name,attrs,recursiver,string,**kwargs)

name:要检索的标签名字 为true时查找所有标签
attrs:对标签所属值得检索字符串，可标注属性检测
recurisive:是否对子孙全部检索，默认为True ，recurisive = False将会只对子标签进行检索
string: 标签中字符串区域的检索字符串

find_all()系列的其他方法

.find() 搜索且只返回一个结果，字符串类型，总find_all()参数
.find_parents() 在先辈节点中搜索，返回列表类型，同.find_all()参数
.find_next_siblings() 在后续平行节点中搜索，返回列表类型，同find_all()参数
.find_next_sibling() 在后续平行节点中返回一个结果，字符串类型，同find_all()参数
.find_previous_siblings() 在前序平行节点中搜索，返回列表类型，同find_all()参数
find_previous_sibling() 在前序节点中返回一个结果，返回字符串类型，同find_all()参数