Python爬虫(九)_非结构化数据与结构化数据

爬虫的一个重要步骤就是页面解析与数据提取。

页面解析与数据提取

实际上爬虫一共就四个主要步骤：

1. 定（要知道你准备在哪个范围或者网站去搜索）
2. 爬（将所有的网站的内容全部爬下来）
3. 取（分析数据，去掉对我们没用处的数据）
4. 存（按照我们想要的方式存储和使用）
5. 表（可以根据数据的类型通过一些图标展示）

以前学的就是如何从网站去爬数据，而爬下来的数据却没做分析，现在，就开始对数据做一些分析。

数据，可分为非结构化数据和结构化数据

• 非结构化数据：先有数据，再有结构
• 结构化数据：先有结构，再有数据
• 不同类型的数据，我们需要采用不同的方式来处理

非结构化的数据处理

文本、电话号码、邮箱地址

• 正则表达式Python正则表达式

HTML文件

• 正则表达式
• XPath
• CSS选择器

结构化的数据处理

JSON文件

• JSON Path
• 转化为Python类型进行操作（json类）

XML文件

• 转化为Python类型（xmltodict）
• XPath
• CSS选择器
• 正则表达式