資訊提取的一般方法

方法一：完整解析資訊的標記形式，再提取關鍵資訊。

XML JSON YAML

需要標記解析器 例如：bs4庫的標籤樹遍歷

優點：資訊解析準確

缺點：提取過程繁瑣，速度慢

方法二：無視標記形式，直接搜尋關鍵資訊。

搜尋

對資訊的文字查詢函式即可

優點：提取過程簡潔，速度快

缺點：提取結果準確性與資訊內容相關

融合方法

融合方法：結合形式解析與搜尋方法，提取關鍵資訊。

XML JSON YAML 搜尋

需要標記解析器及文字查詢函式。

例項

提取HTML中所有URL連結

思路：1）搜尋到所有<a>標籤

            2）解析<a>標籤格式，提取href後的連結內容。

>>> from bs4 import BeautifulSoup
>>> import requests
>>> r=requests.get("https://www.baidu.com/?tn=98012088_5_dg&ch=12")
>>> demo=r.text
>>> soup=BeautifulSoup(demo,"html.parser")
>>> for link in soup.find_all('a'):
	print(link.get('href'))