頁面解析和數(shù)據(jù)提取

一般來講對我們而言，需要抓取的是某個網(wǎng)站或者某個應(yīng)用的內(nèi)容，提取有用的價值。內(nèi)容一般分為兩部分，非結(jié)構(gòu)化的數(shù)據(jù) 和 結(jié)構(gòu)化的數(shù)據(jù)。

  • 非結(jié)構(gòu)化數(shù)據(jù)：先有數(shù)據(jù)，再有結(jié)構(gòu)，
  • 結(jié)構(gòu)化數(shù)據(jù)：先有結(jié)構(gòu)、再有數(shù)據(jù)
  • 不同類型的數(shù)據(jù)，我們需要采用不同的方式來處理。

非結(jié)構(gòu)化的數(shù)據(jù)處理

文本、電話號碼、郵箱地址

  • 正則表達式

HTML 文件

  • 正則表達式
  • XPath
  • CSS選擇器

結(jié)構(gòu)化的數(shù)據(jù)處理

JSON 文件

  • JSON Path
  • 轉(zhuǎn)化成Python類型進行操作（json類）

XML 文件

  • 轉(zhuǎn)化成Python類型（xmltodict）
  • XPath
  • CSS選擇器
  • 正則表達式
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容