Python爬虫教程-18-页面解析和数据提取

本篇针对的数据是已经存在在页面上的数据，不包括动态生成的数据，今天是对HTML中提取对我们有用的数据，去除无用的数据

Python爬虫教程-18-页面解析和数据提取

• 结构化数据：先有的结构，再谈数据
  
  • json数据
    
    • 1.处理此类数据，通常使用JSON Path
    • 2.转换成python类型的数据，再进行操作（json类）
  • XML文件
    
    • 转换成python类型（xmltodict）
    • XPath
    • CSS选择器
    • 正则表达式
• 非结构化数据：先有的数据，再谈结构
  
  • 文本
  • 电话号码
  • 邮箱地址
    
    • 处理此类数据，通常使用正则表达式
  • HTML代码
    
    • 正则表达式
    • XPath
    • CSS选择器

具体内容文章链接

• 正则表达式 点我链接
  
  • match：从开始位置开始查找，一次匹配，即1次匹配成功则退出
  • search：从任何位置开始查找，一次匹配
  • findall：全部匹配，返回列表
  • finditer：全部匹配，返回迭代器
  • split：分割字符串，返回列表
  • sub：替换
• xml 点我链接
• x-path 点我链接

更多文章链接：Python 爬虫随笔

---

- 本笔记不允许任何个人和组织转载