《數(shù)據(jù)采集技術(shù)》課件-數(shù)據(jù)解析技術(shù)_第1頁
《數(shù)據(jù)采集技術(shù)》課件-數(shù)據(jù)解析技術(shù)_第2頁
《數(shù)據(jù)采集技術(shù)》課件-數(shù)據(jù)解析技術(shù)_第3頁
《數(shù)據(jù)采集技術(shù)》課件-數(shù)據(jù)解析技術(shù)_第4頁
《數(shù)據(jù)采集技術(shù)》課件-數(shù)據(jù)解析技術(shù)_第5頁
已閱讀5頁，還剩16頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認(rèn)領(lǐng)

文檔簡介

數(shù)據(jù)解析技術(shù)Contents知識目標(biāo)掌握基本的數(shù)據(jù)解析技術(shù)技能目標(biāo)提高數(shù)據(jù)采集和處理能力素養(yǎng)目標(biāo)培養(yǎng)良好的信息素養(yǎng)和道德意識了解網(wǎng)頁的結(jié)構(gòu)使用瀏覽器打開百度首頁，“新聞”右擊選擇“檢查”，瀏覽器側(cè)面打開一個窗口，并顯示選中元素周圍的HTML層次結(jié)構(gòu)。位于id屬性值為‘s-top-left’的標(biāo)簽<div>選中的標(biāo)簽<a>使用瀏覽器打開百度首頁，“新聞”右擊選擇“檢查”，瀏覽器側(cè)面打開一個窗口，并顯示選中元素周圍的HTML層次結(jié)構(gòu)。與其它標(biāo)簽<a>屬于并列關(guān)系了解網(wǎng)頁的結(jié)構(gòu)選中的標(biāo)簽<a>利用網(wǎng)頁解析技術(shù)提取信息需要的數(shù)據(jù)新URL列表網(wǎng)頁解析器網(wǎng)頁源碼字符串可以利用網(wǎng)頁解析器技術(shù)，從網(wǎng)頁中提取出有價值的資料或者新的URL列表。網(wǎng)頁解析的示意圖如下圖所示：WWW.解析為易于處理和理解的格式網(wǎng)頁解析數(shù)據(jù)處理信息抽取知識挖掘目的是為了方便后續(xù)的：網(wǎng)頁解析需要處理HTML、XML等語言格式內(nèi)容包括步驟：標(biāo)簽解析屬性提取數(shù)據(jù)過濾…網(wǎng)頁解析需要處理HTML、XML等語言格式內(nèi)容包括步驟：標(biāo)簽解析屬性提取數(shù)據(jù)過濾…最常見網(wǎng)頁解析重要的預(yù)處理步驟為后續(xù)的數(shù)據(jù)處理和分析提供了基礎(chǔ)。網(wǎng)頁解析Python支持正則表達式、XPath、BeautifulSoup和JSONPath等常用數(shù)據(jù)解析技術(shù)。序號數(shù)據(jù)解析技術(shù)主要作用1正則表達式針對文本的解析工具2XPath、BeautifulSoup、正則表達式針對HTML/XML的解析3JSONPath針對JSON的解析使用到一些編程語言和工具庫思考正則表達式、XPath、BeautifulSoup和JSONPath，這幾種技術(shù)有什么區(qū)別呢？？常用數(shù)據(jù)解析技術(shù)的區(qū)別正則表達式一種強大的文本處理工具，可以用來匹配、搜索、替換或拆分復(fù)雜的文本模式。簡單理解就是記錄文本規(guī)則的代碼。用戶名域名+常用數(shù)據(jù)解析技術(shù)的區(qū)別正則表達式示例：#正則表達式模式，用于匹配電子郵件地址

pattern=r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'一種強大的文本處理工具，可以用來匹配、搜索、替換或拆分復(fù)雜的文本模式。簡單理解就是記錄文本規(guī)則的代碼。常用數(shù)據(jù)解析技術(shù)的區(qū)別XPath和BeautifulSoup基于HTML/XML文檔的層次結(jié)構(gòu)來確定到達指定節(jié)點的路徑，所以更適合處理層級比較明顯的數(shù)據(jù)。示例2：<!DOCTYPEhtml><html><head><metacharset="UTF-8"><title>我的網(wǎng)頁</title></head><body><h1>歡迎來到我的網(wǎng)頁！</h1><p>這是一個簡單的HTML文件示例。</p></body></html>常用數(shù)據(jù)解析技術(shù)的區(qū)別JSONPath專門用于JSON文檔的數(shù)據(jù)解析。示例3：{"name":"張三","age":30,"email":"zhangsan@","address":{"street":"123MainSt","city":"北京","Country":"中國","postalCode":"10001"}}常用數(shù)據(jù)解析技術(shù)的區(qū)別JSONPath專門用于JSON文檔的數(shù)據(jù)解析。示例3：{"name":"張三","age":30,"email":"zhangsan@","address":{"street":"123MainSt","city":"北京","Country":"中國","postalCode":"10001"}}常用數(shù)據(jù)解析技術(shù)的區(qū)別JSONPath專門用于JSON文檔的數(shù)據(jù)解析。常用數(shù)據(jù)解析技術(shù)的區(qū)別對于不同的網(wǎng)頁解析技術(shù)Python分別提供了不同的模塊或者庫來支持：序號數(shù)據(jù)解析技術(shù)對應(yīng)安裝庫名字安裝命令1正則表達式re模塊Python的標(biāo)準(zhǔn)庫，通常隨著Python的安裝而自動安裝。不需要單獨安裝它。2XPathlxml庫pipinstalllxml3JSONPathjson模塊Python的標(biāo)準(zhǔn)庫，用于處理JSON數(shù)據(jù)。同樣，不需要單獨安裝它。4BeautifulSoupPython庫pipinstallbeautifulsoup41數(shù)據(jù)解析技術(shù)介紹2正則表達式、XPath、BeautifulSoup和JSONPath等技術(shù)區(qū)別3XPath、BeautifulSoup

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論