1 三種信息類型的簡介

xml : extensible markup language

與html非常相似

現有html后有xml

xml是html發展來的 擴展 通用

json ?類型

javascript object notation

有類型的鍵值對 表達的方式

一個key對應多個值

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

嵌套使用

"name":{

"newname":“北京理工大學”

"oldname":"延安自然科學院"

}

yaml ? (yaml ain't markup language) :)

name: 北京理工大學 ?無類型的

通過縮寫表示所屬的相關關系(嵌套)

name:

oldname:xxxxx

newname:sasas

通過減號表達并列關系

name :

-xxxxxx

-asasasas

豎線表示整塊數據

text:|

asdadsssssssssssssdsd

sdadasdasdasdasdasd

asdasd

#表示注釋

xml 世界上最早的通用信息標記語言 ，可拓展性好

json 信息有類型，適合程序處理，簡介

yaml 信息無類型 文本型息比例最好，可讀性好

xml ?internet上的交互與流動

json 程序對借口的使用,云端 ? 但是無注釋

yaml 各類系統的配置文件 有注釋易讀

2 信息提取的一般方法

方法一：完整解析信息的標記形式，需要表及解析器 列如 bs4的標簽書遍歷

繁瑣慢；

方法二：無視標記信息，直接提取關鍵信息，利用文本查找

準確性與內容相關

融合方法：結合形式解析與搜索方法

例：

提取html上所有的URL鏈接

1.找到所有的a標簽

2.找到a標簽中的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的內容查找

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

返回一個列表類型，存儲查找的結果

soup.find_all("a”)

soup,find_all(["a","b"]) 同時查找ab標簽

for tag in soup.find_all(True):

print(tag.name)

可以打印該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開頭的

attrs

查找p標簽中帶有course屬性值的的

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

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

也可以約定是某一個屬性為XX

soup.find_all(id="link1")

#id屬性為link1

import re //利用正則表達式

recursive 表示是否對所有子孫都搜索 默認為TRUE

soup.find_all("a")

string 對標簽中的字符穿檢索的屬性

例：

soup.find_all(string="Basic python")

也可以用正則表達式

簡短形式

() 等價于 .find_all()

soup(...)等價于 soup.find_all()

7個拓展方法

find ?只返回一個結果 字符串類型

find_parents 只在先輩節點中搜索，返回一個列表

find_parent 只在黔北節點中搜索，返回結果 字符串類型一個

find_next_siblings只在后續平行節點中搜索，返回列表類型

find_next_sibling 同上只返回一個 字符串類型

find_previous_siblings

find_previsou_sibling 同上

差不多

總結

以上是生活随笔為你收集整理的python医疗发票 信息抽取_PYTHON网络爬虫与信息提取[信息的组织与提取](单元五)...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。