Python爬虫（六）——信息组织和提取

Python爬虫（六）——信息组织和提取

信息的标记

对一组相关的信息进行标记有以下优点：

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

信息标记的种类

XML

eXtensible Markup Language，是基于HTML发展而来的一种通用的信息表达格式。用尖括号和标签表达信息的标记形式。最早的通用信息标记语言，可拓展性好，但繁琐。通常在Internet上交互和传递。

实例：

<school>
    <name>BUPT</name>
    <address>
        <city>北京市</city>
        <street>北京市西土城路10号</street>
        <zipcode>100876</zipcode>
    </address>
</school>

JSON

JavaScript Object Notation，它由有类型的键值对组成。对于JavaScript等语言来说处理JSON格式很方便。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通信，一般应用于程序在接口的地方，但无注释。

实例：

{
    "name": "BUPT",
    "address": {
        "city": "北京市",
        "street": "北京市西土城路10号",
        "zipcode": 100876
    }
}

YAML

YAML Ain’t Markup Language，它由无类型的键值对组成，它利用缩进来表示所属，用减号表示并列关系。信息无类型，文本信息比例最高，可读性好。应用于各类系统的配置文件中。

实例：

"name": "BUPT"，
"address": 
    "city": "北京市",
    "street": "北京市西土城路10号",
    "zipcode": "100876"

信息提取的一般方法

方法一

使用标记解析器完整解析信息的标记形式，再提取关键信息。

优点：

信息解析准确

缺点：

提取过程繁琐，速度慢

方法二

无视标记形式，使用文本查找函数直接搜索关键信息。

优点：

提取过程简洁，速度较快