Python爬虫-页面解析数据提取思路方法与简单正则应用

一、页面解析和数据提取

①结构化数据： 先有的结构，在谈数据
　　JSON文件
JSON Path
转换成Python类型进行操作（json类）
　　XML文件
转换成python类型（xmltodict）
XPath
CSS选择器
正则
　　 ②非结构化数据：先有数据，再谈结构
　　　 文本
　　 电话号码
　　　 邮箱地址
通常处理此类数据，使用正则表达式
　　 Html文件
　　正则
　　XPath
　　CSS选择器

二、正则简单应用
python中正则模块是re
使用大致步骤：
　　1. compile函数将正则表达式的字符串编译为一个Pattern对象
　　2. 通过Pattern对象的一些列方法对文本进行匹配，匹配结果是一个Match对象
　　3. 用Match对象的方法，对结果进行操纵