Diary10-Python爬虫-信息标记与提取方法

信息标记与提取方法

1.信息标记的意义

• 标记后的信息可形成信息组织结构，增加了信息维度

• 标记的结构与信息一样具有重要价值

• 标记后的信息可用于通信、存储或展示

• 标记后的信息更利于程序理解和运用

2.信息标记的种类(三种形式)

2.1 XML

XML实例：

2.2 JSON

2.2.1 单值表示形式

2.2.2 多值表示形式

2.2.3 键值对嵌套

JSON实例：

2.3 YAML

2.3.1缩进表示所属关系

2.3.2 -表示并列关系

2.3.3 |表达整块数据；#表示注释

YAML实例：

3.三种信息标记形式的比较

XML	最早的通用信息标记语言，可扩展性好，但繁琐	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	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

4.信息提取方法

4.1 方法一

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

4.2 方法二

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

4.3 方法三(融合方法)

结合形式解析与搜索方法，提取关键信息，需要标记解析器及文本查找函数

5.基于bs4库的HTML内容查找方法

<>.find_all(name, attrs, recursive, string, **kwargs)

• name : 对标签名称的检索字符串

  

• attrs: 对标签属性值的检索字符串，可标注属性检索

• recursive: 是否对子孙全部检索，默认True