Python爬虫-信息标记与提取

以下代码demo链接：https://python123.io/ws/demo.html

信息标记的三种形式

信息的标记

1.标记后的信息可形成信息组织结构，增加了信息维度
2. 标记后的信息可用于通信、存储和展示
3. 标记的结构与信息一样具有重要价值
4. 标记后的信息有利于程序理解和运用
HTML的信息标记：HTML通过预定义的<>…</>标签形式组织不同类型的信息

信息标记的三种形式

XML： 指可扩展标记语言，被设计用来传输和存储数据。
XML实例：

JSON：是一种轻量级的数据交换格式，简洁和清晰的层次结构使得 它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。
JSON实例：

YAML ：可以简单表达清单、散列表，标量等数据形态。它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种配置文件、倾印调试内容、文件大纲。
YAML实例：

（以上图片来自中国慕课 嵩天老师教学视频）

信息提取的一般方法

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库的标签树遍历 。
优点：信息解析准确
缺点：提取过程繁琐，速度慢

方法2：
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

融合方法：
结合形势解析与搜索方法，提取关键信息
需要标记解析器及文本查找函数

实例：提取HTML中所有的URL链接