Python爬蟲入門——信息組織與提取方法（1）

1. 概念：什麼是信息標記

  簡單來說，信息標記就是給一個信息做標記（呃，雖然有點傻，但好像就是這樣）。例如：“北京市中關村”，給它做標記的話，它是一個地名。而“北京理工大學”，它是一所大學的名字。如果對一組信息做上標記呢？
信息的標記：

• 標記後的信息可形成信息組織結構，增加了信息的維度。
• 標記後的信息可用於通信、存儲或展示。
• 標記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，也更有利於人的理解與運用。
  
  

2. 信息標記的三種形式

  HTML（超文本標記語言）是WWW（World Wide Web）的信息組織方式。它將聲音、圖像、視頻，等超文本信息嵌入到文本中。HTML通過預定的<>…</>標籤形式組織不同類型的信息。

簡單來說，現在國際公認的信息標記一般意義上的種類有三種形式：XML、JSON、YAML

• XML（eXtensible Markup Langue）
  可以看出和HTML很類似~
  
  當標籤中沒有元素時，用縮寫形式，一對尖括號即可</>。若標籤中有元素，要用<>…</>
  
  也可以嵌入註釋，以尖括號、歎號開頭，以尖括號結尾
  
• JSON（JavaScript Object Notation）
  有類型的鍵值對，key：value ，都要增加雙引號來表達它是字符串的形式。如果值是一個數字，直接寫數字就可以了。
  
  當一個鍵對應多個值的時候，採用[ ]和，來組織。
  
  嵌套使用時，用{ }來體現。
  
  簡單說，JSON使用有類型的鍵值對將信息組織起來，
  
• YAML
  無類型鍵值對，key:value。無論鍵還是值都沒有雙引號的形式，
  
  通過縮進的形式來表達所屬關係，這點和Python很像。
  
  表達並列關係，加上“-”號：
  
  用“|”表示整塊數據，“#”表示註釋：
  
  常用的使用格式：
  

3. 三種信息標記形式的比較

• XML：用<>標籤來標記信息的表達形式(最早的通用信息標記語言，可擴展性好，但繁瑣)。
• JSON：用有類型的鍵值對來標記信息的表達形式(信息有類型，適合程序處理(js)，較XML簡潔)。
• YAML：用無類型的鍵值對來標記信息的表達形式(信息無類型，文本信息比例較高，可讀性好)。

XML實例：可以看出，有效信息比例不高，大部分被標籤佔用。

JSON實例：都需要用雙引號來表達類型。

YAML實例：

三種信息標記形式的比較

• XML：Internet上的信息交互與傳遞。包括HTML也是屬於XML這一類別的。
• JSON：移動應用端和節點的信息通信，無註釋。一般來講，JSON格式用在程序的接口處理的地方。JSON數據在經過傳輸之後，能夠作爲程序代碼一部分，並能被程序直接運行，這樣，JSON中對信息類型的定義才能發揮最大作用。
• YAML：各類系統的配置文件，有註釋易讀。對文本利用率比較高。
  
  

4. 總結

  文章簡單介紹了信息標記的三種形式，XML、JSON、YAML。這三種信息標記形式各有特點，各自適用不同的範圍。
  講完信息標記之後，接着會說說信息提取的一般方式，一點一點深入理解Python爬蟲的深層原理。不僅要會爬蟲，更要懂爬蟲。
  才疏學淺，文章如有不當之處，還請多多指教~~ (●′ω`●)