五、信息標記與查找

一、信息標記的四種形式

信息標記為了是我們更加了解信息真實的含義，比如我們給北京理工大學標記一個name表明它是一個名字，給北京市海淀區標記一個addr表明它是一個地址

●標記後的信息可形成信息組織結構，增加了信息維度

●標記後的信息可用於通信、存儲或展示

●標記後的信息可用於通信、存儲或展示

●標記後的結構與信息一樣具有重要價值

●標記後的信息更利於程序理解和運用

①XML：eXtensible Markup Language

中文：擴展標記語言

採用以標籤為主的來構建表達信息，比如：

<img scr=＂china.jpg＂ size=＂10＂>…<／img>

img是標籤的name，scr=＂china.jpg＂ size=＂10＂是標籤的屬性，用鍵值對來表示，與HTML非常相似

空元素（省略號部分沒有內容）的縮寫形式：

<img scr=＂china.jpg＂ size=＂10＂/>

注釋書寫形式：<!--This is a comment, very useful -->

備註：XML是基於HTML格式發展而來的一種通用信息表達形式，XML通過標籤形式來表達信息，最早的通用信息標記語言，可擴展性好，但繁瑣；互聯網上信息交互與傳遞的主要形式。

②JSON：JavaScript Object Notation

用有類型的鍵值對表達信息的標記形式

＂name＂：＂北京理工大學＂

如果鍵或者值是數字則直接寫數字，當值的部分有多個值的時候用數組表達，如：

＂name＂:[＂北京理工大學＂，＂延安自然科學院＂]

鍵值對可以嵌套使用，如：

＂name"：{

"newName"："北京理工大學",

"oldName":"延安自然科學院＂

}

備註：信息有類型適合程序處理(js)，較XML簡潔；移動應用雲端和節點的信息通信，無注釋，用在程序對介面處理的地方。

③YAML：YAML Aint Markup Language

用無類型的鍵值對表達信息的標記形式，如：

name:北京理工大學

所屬關係表達：

name:

newName:北京理工大學

oldName:延安自然科學院

用-表達並列關係，如:

name:

-北京理工大學

-延安自然科學院

用｜表示整塊信息#表示注釋

text:｜ #學校介紹

北京理工大學創建於1940年，前身是延安自然科學院，是中國共產黨創辦的第一所理工大學……

備註：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。

④HTML：HyperText Markup Language

超文本（圖片、音頻、視頻）標記語言，它是Internet上組織信息的主要形式，它將圖片、音頻、視頻等超文本信息嵌入到文本信息當中，HTML通過預定義的<>……<>標籤形式組織不同類型的信息，它不是通用信息標記語言，以上三種為通用信息標記語言

二、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。

方法二：無視標記形式，直接搜索關聯信息。

最好的方法是將二者融合

實例：提取url中的所有鏈接

思路：1）搜索到所有a標籤2）解析<a>標籤格式，提取href後的鏈接內容

from bs4 import BeautifulSoup

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

for link in soup.find_all(a):

print(link.get(href))

返回略

三、基於bs4庫的HTML內容查找方法

import requestsfrom bs4 import BeautifulSoupr = requests.get("https://python123.io/ws/demo.html")demo = r.text

soup = BeautifulSoup(demo,html.parser)

soup.find_all(a)

以列表類型返回所有的a標籤

find_all方法www.crummy.com