python网络爬虫笔记之信息提取

信息组织与提取

一、信息标记

HTML:

          通过预定义的<>..</>标签形式来组织不同类型的信息

信息标记的种类有三种 Xml,JSON,YAML

Xml: 扩展标记语言，与html格式很像

         通过 标签形式来构造所有的信息，如果标签中有内容时我们用一对标签来表达： <name>...</name>

          如果标签中没有内容时，我们用一对尖括号来表达<name/>

         同时可以增加注释：<! --注释-- >

JSON：  

          采用 有类型键值的方式：“key”:"value"

          如果对应的值的部分有多个，则采用方括号： "key": ["value1',"value2']  并且中间用逗号隔开

          同时键值对可以进行嵌套，此时采用大括号： “key":{"subkey":"subvalue"}

YAML:

          无类型键值对，采用缩进的方式表示所属关系，这一点和python很像

         |表示整块内容，#表示注释的内容

         key:value

         key:

         -value1

         -value2      #横线表示并列 

         key:

             subkey:subvalue

二、信息提取的一般方法

信息提取是指从信息标记的文本中提取所需要的内容

有三种：

1.根据标记形式，利用bs4库遍历标签树的方法先解析出标记形式再提取关键字

2.不关注标记形式，采用文本查找函数，直接搜索关键字

3采用融合的方式，结合形式解析和搜索方法提取关键信息

xml J