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