PYTHON网络爬虫与信息提取[信息的组织与提取](单元五)

1 三种信息类型的简介

xml : extensible markup language

与html非常相似

现有html后有xml

xml是html发展来的 扩展 通用

json  类型

javascript object notation

有类型的键值对 表达的方式

一个key对应多个值

"key1":["asas",''asas'']

嵌套使用

"name":{

　　"newname":“北京理工大学”

　　"oldname":"延安自然科学院"

}

yaml   (yaml ain't markup language) :)

name: 北京理工大学  无类型的

通过缩写表示所属的相关关系(嵌套）

name:
　　oldname:xxxxx

　　newname:sasas

通过减号表达并列关系

name :

-xxxxxx

-asasasas

竖线表示整块数据

text:|

asdadsssssssssssssdsd

sdadasdasdasdasdasd

asdasd

#表示注释

xml 世界上最早的通用信息标记语言 ，可拓展性好

json 信息有类型，适合程序处理，简介

yaml 信息无类型 文本型息比例最好，可读性好

xml  internet上的交互与流动

json 程序对借口的使用,云端   但是无注释

yaml 各类系统的配置文件 有注释易读

2 信息提取的一般方法

方法一：完整解析信息的标记形式，需要表及解析器 列如 bs4的标签书遍历

繁琐慢；

方法二：无视标记信息，直接提取关键信息，利用文本查找

准确性与内容相关

融合方法：结合形式解析与搜索方法

例：

提取html上所有的URL链接

1.找到所有的a标签

2.找到a标签中的href？

form bs4 import BeautifulSoup

soup=BeautifulSoup(demo,"html.parser")

for link in soup.find_all("a")：

　　 print(link.get("href"))

3基于BeautifulSoup的内容查找

方法find_all(name,attrs,recursive,string,**kwargs)

返回一个列表类型，存储查找的结果

soup.find_all("a”)

soup,find_all(["a","b"]) 同时查找ab标签

for tag in soup.find_all(True):

　　print(tag.name)

可以打印该soup中的所有tag信息

import re

for tag in soup.find_all(re.compile("b")):

　　print(tag.name)

打印以b开头的

attrs

查找p标签中带有course属性值的的

soup.find_all("p","course")

//soup.find_all("p",attrs={"ssdsd":"dssds})

也可以约定是某一个属性为XX

soup.find_all(id="link1")

#id属性为link1

import re //利用正则表达式

recursive 表示是否对所有子孙都搜索 默认为TRUE

soup.find_all("a")

string 对标签中的字符穿检索的属性

例：
soup.find_all(string="Basic python")

也可以用正则表达式

简短形式

<tag>() 等价于 <tag>.find_all()

soup(...)等价于 soup.find_all()

7个拓展方法

find  只返回一个结果 字符串类型

find_parents 只在先辈节点中搜索，返回一个列表

find_parent 只在黔北节点中搜索，返回结果 字符串类型一个

find_next_siblings只在后续平行节点中搜索，返回列表类型

find_next_sibling 同上只返回一个 字符串类型

find_previous_siblings

find_previsou_sibling 同上

差不多