一.信息标记的方式
HTML是WWW(world wide web)上,通过预定义标签组织信息的方式,将声音,图像,视频等超文本信息嵌入到文本中。
三种主要组织信息方式的对比
方式 | 说明 | 应用领域 |
---|---|---|
XML | 最早的通用信息标记语言,可扩展性好,但繁琐 | Internet上信息的交互与传递 |
JSON | 信息有类型,适合程序处理(js),比XML简洁 | 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 | 各类系统的配置文件,有注释易读 |
二.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。
需要标记解析器,例如:bs4库的标签遍历
优点:信息解析准确
缺点:提取过程繁琐,速度慢
2.。无视标记形式,直接搜索关键信息
需要信息的文本查找函数
优点:提取过程简单,速度较快
缺点:提取结果准确性与信息内容相关。
3.。融合以上两种方法(更好)
例如:提取HTMML中的所有URL链接
思路:1)搜索到所有《a》标签
2)解析《a》标签格式,提取href后的链接内容。