Python的信息组织和提取

1、信息标记的三种形式
①XML（eXtensible Markup Language)
…
②JSON（Javascript Object Notation）
有类型的键值对 key:value 如：”name”: “test”
③YAML（Ain’t Markup Language）
无类型键值对 key:value name: test
| 表示整块数据 # 表示注释 - 表示并列的值信息

	标记后的信息可形成信息组织结构，增加了信息维度
	标记后的信息可用于通信、存储或展示
	标记后的结构与信息一样具有重要价值
	标记后的信息更利于程序理解和运用

2、三种信息标记形式的比较
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。

<person>
	<firstName>Tian</firstName>
	<lastName>Song</lastName>
	<address>
		<streetAddr>中关村南大街5号</streetAddr>
		<city>北京市</city>
		<zipcode>100081</zipcode>
	</address>
	<prof>Computer System</prof>
	<prof>Security</prof>
</person>

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。

{
	"firstName": "Tian",
	"lastName": "Song",
	"address": {
		"streetAddr": "中关村南大街5号",
		"city": "北京市",
		"zipcode": "100081"
	},
	"prof": ["Computer System", "Security"]
}

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，有注释易读。

	firstName: Tian
	lastName : Song
	address  :
	streetAddr : 中关村南大街5号
	city	   : 北京市
	zipcode    : 100081
	prof		   :
	-Computer System
	-Security

3、信息提取的一般方法

(1)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,如bs4库的标签树遍历）
	①优点：信息解析准确
	②缺点：提取过程繁琐，速度慢
(2)无视标记形式，直接搜索关键信息（对信息的文本查找函数即可）
	①优点：提取过程简洁，速度较快
	②缺点：提取结果准确性与信息内容相关
(3)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）
(4)实例（提取HTML中所有URL链接）
	①思路
		1)搜索到所有<a>标签
		2)解析<a>标签格式，提取href后的链接内容
	②代码

		from bs4 import BeautifulSoup
			soup = BeautifulSoup(demo, “html.parser”)
			for link in soup.find_all(‘a’):
			print(link.get(‘href’))

4、基于bs4库的HTML内容查找方法
(1)<>.find_all(name, attrs, recursive, string, **kwargs)
注：返回一个列表类型，存储查找的结果，(…) = .find_all(…) soup(…) = soup.find_all(…)
①name：对标签名称的检索字符串
②attrs：对标签属性值的检索字符串，可标注属性检索
③recursive：是否对子孙全部检索，默认True
④string：<>…</>中字符串区域的检索字符串
(2)<>.find()：搜索且只返回一个结果，字符串类型，同.find_all()参数
(3)<>.find_parents()：在先辈节点中搜索，返回列表类型，同.find_all()参数
(4)<>.find_parent()：在先辈节点中返回一个结果，字符串类型，同.find_all()参数
(5)<>.find_next_siblings()：在后续平行节点中搜索，返回列表类型，同.find_all()参数
(6)<>.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
(7)<>.find_previous_siblings()：在前序平行节点中搜索，返回列表类型，同.find_all()参数
(8)<>.find_previous_sibling()：在前序平行节点中返回一个结果，字符串类型，同.find_all()参数