《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)，請進行舉報或認領(lǐng)

文檔簡介

數(shù)據(jù)解析技術(shù)Contents知識目標掌握基本的數(shù)據(jù)解析技術(shù)技能目標提高數(shù)據(jù)采集和處理能力素養(yǎng)目標培養(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’的標簽<div>選中的標簽<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)。與其它標簽<a>屬于并列關(guān)系了解網(wǎng)頁的結(jié)構(gòu)選中的標簽<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的標準庫，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的標準庫，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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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