Python爬虫中的信息提取

一、信息的标记

1、标记后的信息可形成信息结构，增加了信息维度。

2、标记后的信息可用于通信、储存或展示。

3、标记后的结构与信息一样具有重要价值。

4、标记后的信息更利于程序的理解与运行

二、信息标记的三种形式

信息标记的三种形式为：xml、json、yaml。

XML ：全名为：Extensible Markup Language。可扩展标记语言，标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言。

JSON(JavaScript Object Notation, JS 对象简谱) 是一种轻量级的数据交换格式。它基于 ECMAScript 的一个子集，采用完全独立于编程语言的文本格式来存储和表示数据。简洁和清晰的层次结构使得 JSON 成为理想的数据交换语言。 易于人阅读和编写，同时也易于机器解析和生成，并有效地提升网络传输效率。

YAML：全名为：YAML Ain't Markup Language。是“YAML不是一种标记语言”的外语缩写  ；但为了强调这种语言以数据做为中心，而不是以置标语言为重点，而用返璞词重新命名。它是一种直观的能够被电脑识别的数据序列化格式，是一个可读性高并且容易被人类阅读，容易和脚本语言交互，用来表达资料序列的编程语言。它是类似于标准通用标记语言的子集XML的数据描述语言。

1、信息标记的三种形式的比较

XML：最早的标记信息通用语言，可拓展性好，但繁琐。

JSON：信息有类型，适合程序处理。比XML简洁。

YAML：信息无类型，文本信息比例高，可读性好。

2、实例如下