数据提取方法

数据分类

• 区分标准：规律性
• 规律弱
  
  • 非结构化数据： html等
  • 处理方法：正则、xpath
• 规律强
  
  • 结构化数据：json、xml等
  • 处理方法：转化为python类型

JSON

说明：JSON（JavaScript Object Notation)是一种轻量级数据交换格式，适用于进行数据交互

使用说明：能找到尽量使用返回json数据的url，因为很好转为python内建数据类型

相互转换

• json字符串<—–>Python数据类型
  
  • json.loads()
  • json.dumps():右—>左
    
    • 用途，写入时，将Python数据类型转换
• 包含json的类文件对象—->Python数据类型
  
  • json.load()
  • json.dump()
• 类型转换说明

JSON	Python
object	dict
array	list
string	unicode
number(int)	int, long
number(resl)	float
true	True
false	False
null	None

json教程

正则

==此处只说常用的==
- re.compile()：编译
- re.match():从头找一个
- re.search():找一个
- re.findall():找所有
- re.sub()：替换
- 原始字符串转义：r(只针对特殊字符，如换行符)
- 贪婪与非贪婪
- 默认贪婪，尽可能多的匹配
正则表达式速查表

XPATH和LXML类库

LXML库

• python HTML/XML解析器，通过此解析器，导入etree，可以通过XPath,快速定位特定元素和获取节点信息
• 使用入门
  
  • 导入lxml的etree库
    
    • from lxml import etree
  • 利用etree.HTML，将字符串转化为Element对象
  • Element对象，有xpath的方法

XPATH

一门在HTML\XML文档查找信息的语言
- 节点（标签)选择
XPATH官方文档说明

表达式	描述
nodename	选取此节点所有子节点
/	从根节点选取
//	从匹配选择当前节点选择文档节点，不考虑位置
.	选取当前
..	选取当前父节点
@	选取属性

- 选取未知节点

通配符	描述
*	匹配任何元素节点
@*	匹配任何属性节点
node()	匹配任何类型节点

XML和HTML

• XML：可扩展标记语言
  
  • 焦点在数据内容
• HTML：超文本标记语言
  
  • 显示数据以及更好的显示