如何把 Web 页面上抓取下来的海量文本信息从非结构化信息变成结构化信息？
最新回答
宾狗
2024-04-20 00:03:49
普通来讲对我们而言，需求抓取的是某个网站或者某个应用的内容，提取有用的价值。内容普通分为两局部，非构造化的数据 和 构造化的数据。
非构造化数据：先有数据，再有构造
构造化数据：先有构造、再有数据
不同类型的数据，我们需求采用不同的方式来处置。
非构造化的数据处置
文本、电话号码、邮箱地址
正则表达式
HTML 文件
正则表达式
XPath
CSS选择器
构造化的数据处置
JSON 文件
JSON Path
转化成Python类型停止操作（json类）
XML 文件
转化成Python类型（xmltodict）
XPath
CSS选择器
正则表达式
实践上python爬虫一共就四个主要步骤：
明白目的 (要晓得你准备在哪个范围或者网站去搜索)
爬 (将一切的网站的内容全部爬下来)
取 (去掉对我们没用途的数据)
处置数据（依照我们想要的方式存储和运用）
幽兰黛尔
2024-04-20 11:19:43
但是有的爬虫抓取信息是存文件，而不是数据库，那么就需要转换文件格式了。
天暗下来你就是光
2024-04-20 07:07:25
热门标签
