一、信息標(biāo)記的三種形式

XML格式數(shù)據(jù)

JSON格式數(shù)據(jù)

YAML格式數(shù)據(jù)

二、信息標(biāo)記形式的比較

XML

• 最早的通用信息標(biāo)記語(yǔ)言，可擴(kuò)展性好，但繁瑣。
• Internet上的信息交互與傳遞

JSON

• 信息有類型，適合程序處理(js)，較XML簡(jiǎn)潔
• 移動(dòng)應(yīng)用云端和節(jié)點(diǎn)的信息通信，無(wú)注釋、

YAML

• 信息無(wú)類型，文本信息比例最高，可讀性好
• 各類系統(tǒng)的配置文件，有注釋易讀

三、信息提取的一般方法

方法一：

• 完整 解析信息 的標(biāo)記形式，再提取 關(guān)鍵信息

• XML JSON YAML

  需要標(biāo)記解析器，例如：bs4庫(kù)的標(biāo)簽樹遍歷

• 優(yōu)點(diǎn)： 信息解析準(zhǔn)確

• 缺點(diǎn)： 提取過(guò)程繁瑣，速度慢

方法二：

• 無(wú)視標(biāo)記形式， 直接搜索關(guān)鍵信息

• 搜索

  對(duì)信息的文本查找函數(shù)即可

• 優(yōu)點(diǎn)： 提取過(guò)程簡(jiǎn)潔，速度較快

• 缺點(diǎn)： 提取結(jié)果準(zhǔn)確性與信息內(nèi)容相關(guān)

融合方法：

• 融合方法：結(jié)合 形式解析 與 搜索 方法，提取關(guān)鍵信息

• XML JSON YAML 搜索

  需要標(biāo)記解析器及文本查找函數(shù)

實(shí)例：

提取HTML中所有URL鏈接

思路：

1. 搜索到所有 標(biāo)簽
2. 解析 標(biāo)簽格式，提取href后的鏈接內(nèi)容

          
            import requests
r = requests.get("http://www.baidu.com")    # 得到response響應(yīng)數(shù)據(jù)
r.encoding = r.apparent_encoding            # 指定字符編碼
demo = r.text

import bs4
# 制作soup
soup = bs4.BeautifulSoup(demo,"html.parser")    # 要解析的內(nèi)容，html解析器
# 提取鏈接內(nèi)容
for link in soup.find_all("a"): # 查找所有a標(biāo)簽，并遍歷
    print(link.get("href"))     # 標(biāo)簽類型，搜索href標(biāo)簽后的鏈接內(nèi)容
          
        

四、基于bs4庫(kù)的HTML內(nèi)容查找方法

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

返回一個(gè)列表類型，存儲(chǔ)查找的結(jié)果

• name : 對(duì)標(biāo)簽名稱的檢索字符串
• attrs: 對(duì)標(biāo)簽屬性值的檢索字符串，可標(biāo)注屬性檢索
• recursive: 是否對(duì)子孫全部檢索，默認(rèn)True
• string: <>…中字符串區(qū)域的檢索字符串

擴(kuò)展方法

方法	說(shuō)明
<>.find()	搜索且只返回一個(gè)結(jié)果，同.find_all()參數(shù)
<>.find_parents()	在先輩節(jié)點(diǎn)中搜索，返回列表類型，同.find_all()參數(shù)
<>.find_parent()	在先輩節(jié)點(diǎn)中返回一個(gè)結(jié)果，同.find()參數(shù)
<>.find_next_siblings()	在后續(xù)平行節(jié)點(diǎn)中搜索，返回列表類型，同.find_all()參數(shù)
<>.find_next_sibling()	在后續(xù)平行節(jié)點(diǎn)中返回一個(gè)結(jié)果，同.find()參數(shù)
<>.find_previous_siblings()	在前序平行節(jié)點(diǎn)中搜索，返回列表類型，同.find_all()參數(shù)
<>.find_previous_sibling()	在前序平行節(jié)點(diǎn)中返回一個(gè)結(jié)果，同.find()參數(shù)

總結(jié)：