信息提取的一般方法及實(shí)例
信息提取
從標(biāo)記后的信息中提取所關(guān)注的內(nèi)容
(標(biāo)記，信息)
方法一：完整解析信息的標(biāo)記形式歹撒，再提取關(guān)鍵信息
- 需要標(biāo)記解析器，例如：bs4庫的標(biāo)簽樹遍歷
- 優(yōu)點(diǎn)：信息解析準(zhǔn)確
- 缺點(diǎn)：提取過程繁瑣，速度慢
方法二：無視標(biāo)記信息爬凑，直接搜索關(guān)鍵信息
- 對信息的文本查找函數(shù)即可
- 優(yōu)點(diǎn)： 提取過程簡潔，速度較快
- 缺點(diǎn)： 提取結(jié)果準(zhǔn)確性與信息內(nèi)容相關(guān)
融合方法：結(jié)合形式解析與搜索方法冒黑，提取關(guān)鍵信息
- 需要標(biāo)記解析器及文本查找函數(shù)
實(shí)例
提取HTML中所有URL鏈接
思路：
1） 搜索到所有<a>標(biāo)簽
2）解析<a>標(biāo)簽格式田绑，提取hre后的鏈接內(nèi)容
