一、信息標記的三種形式

XML格式數據

JSON格式數據

YAML格式數據

二、信息標記形式的比較

XML

• 最早的通用信息標記語言，可擴展性好，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簡潔
• 移動應用云端和節點的信息通信，無注釋、

YAML

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

三、信息提取的一般方法

方法一：

• 完整 解析信息 的標記形式，再提取 關鍵信息

• XML JSON YAML

  需要標記解析器，例如：bs4庫的標簽樹遍歷

• 優點： 信息解析準確

• 缺點： 提取過程繁瑣，速度慢

方法二：

• 無視標記形式， 直接搜索關鍵信息

• 搜索

  對信息的文本查找函數即可

• 優點： 提取過程簡潔，速度較快

• 缺點： 提取結果準確性與信息內容相關

融合方法：

• 融合方法：結合 形式解析 與 搜索 方法，提取關鍵信息

• XML JSON YAML 搜索

  需要標記解析器及文本查找函數

實例：

提取HTML中所有URL鏈接

思路：

1. 搜索到所有 標簽
2. 解析 標簽格式，提取href后的鏈接內容

          
            import requests
r = requests.get("http://www.baidu.com")    # 得到response響應數據
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")    # 要解析的內容，html解析器
# 提取鏈接內容
for link in soup.find_all("a"): # 查找所有a標簽，并遍歷
    print(link.get("href"))     # 標簽類型，搜索href標簽后的鏈接內容
          
        

四、基于bs4庫的HTML內容查找方法

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

返回一個列表類型，存儲查找的結果

• name : 對標簽名稱的檢索字符串
• attrs: 對標簽屬性值的檢索字符串，可標注屬性檢索
• recursive: 是否對子孫全部檢索，默認True
• string: <>…中字符串區域的檢索字符串

擴展方法

方法	說明
<>.find()	搜索且只返回一個結果，同.find_all()參數
<>.find_parents()	在先輩節點中搜索，返回列表類型，同.find_all()參數
<>.find_parent()	在先輩節點中返回一個結果，同.find()參數
<>.find_next_siblings()	在后續平行節點中搜索，返回列表類型，同.find_all()參數
<>.find_next_sibling()	在后續平行節點中返回一個結果，同.find()參數
<>.find_previous_siblings()	在前序平行節點中搜索，返回列表類型，同.find_all()參數
<>.find_previous_sibling()	在前序平行節點中返回一個結果，同.find()參數

總結：