学习笔记——信息标记与信息提取方法简介

一、信息标记的意义

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

二、信息标记的三种形式

1. XML格式

XML：eXtensible Markup Language，可扩展的标记语言。
主要的格式如下：

<name>...</name> # 常见的格式
<name /> # 空元素缩写形式
<!-- --> # 注释书写形式

实例如下：

<man>
    <firstName>Yun</firstNmae>
    <lastName>Ma</lastName>
    <address>
            <strrtAddr>余杭区文一西路969号</streetAddr>
            <city>杭州市</city>
            <zipcode>311121</zipcode>
    </address>
    <title>Teacher</title><title>Businessman</title>
</man>

2. JSON格式

JSON：JavsScript Object Notation.
主要格式如下：

"key":"value"
"key":["value1","value2"]
"key":{"subke":"value"}

可见JSON格式没有添加注释的选项，有点类似于构造字典。
实例如下：

{
    "firstName":"Yun",
    "lastName":"Ma",
    "address":{
            "strrtAddr":"余杭区文一西路969号",
            "city":"杭州市",
            "zipcode":"311121"
                        },
    "title":["Teacher","Businessman"]
}

3. YAML格式

YAML：YAML Ain’t Markup Language。
主要格式如下：

key:value
key:#comment # 用"#"表示注释
-value1 # 用"-"表示并列关系
-value2
key:
    subkey:subvalue # 用缩进表示所属关系

YAML跟Python一样，用缩进表示所属关系，用"-“表示并列关系，用”#"表示注释，用“|”表达整块数据。
实例如下：

firstName:Yun
lastName:Ma
address:
    strrtAddr:余杭区文一西路969号
    city:杭州市
    zipcode:311121
 title:
-Teacher
-Businessman

4.XML/JSON/YAML三种信息标记的比较

XML：最早的通用信息标记语言，可扩展性好，但繁琐，应用在Internet上的信息交互与传递。
JSON：信息有类型，适合程序处理(js)，较XML简洁，应用在移动应用云端和节点的信息通信，无注释。
YAML：信息无类型，文本信息比例最高，可读性好，应用在各类系统的配置文件，有注释易读。

三、信息提取的方法

1. 完整解析信息的标记形式，再提取关键信息

XML JSON YAML
需要标记解析器，例如：bs4库的标签树遍历
优点：信息解析准确
缺点：提取过程繁琐，速度慢

2. 搜索的方法——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
优点：提取过程简洁，速度较快
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

XML JSON YAML 搜索
需要标记解析器及文本查找函数

四、参考资料

北京理工大学嵩天老师的《Python网络爬虫与信息提取》