頁面解析與數據提取

實際上爬蟲一共就四個主要步驟：

定（要知道你準備在哪個范圍或者網站去搜索）

爬（將所有的網站的內容全部爬下來）

取（分析數據，去掉對我們沒用處的數據）

存（按照我們想要的方式存儲和使用）

表（可以根據數據的類型通過一些圖標展示）

以前學的就是如何從網站去爬數據，而爬下來的數據卻沒做分析，現在，就開始對數據做一些分析。

數據，可分為非結構化數據和結構化數據

• 非結構化數據：先有數據，再有結構
• 結構化數據：先有結構，再有數據
• 不同類型的數據，我們需要采用不同的方式來處理

非結構化的數據處理

文本、電話號碼、郵箱地址

• 正則表達式Python正則表達式

HTML文件

• 正則表達式
  
• XPath
  
• CSS選擇器

結構化的數據處理

JSON文件

• JSON Path
• 轉化為Python類型進行操作（json類）

XML文件

• • 轉化為Python類型（xmltodict）
  • XPath
  • CSS選擇器
  • 正則表達式

轉載于:https://www.cnblogs.com/moying-wq/p/11569914.html

總結

以上是生活随笔為你收集整理的Python爬虫(七)_非结构化数据与结构化数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。