页面解析和数据提取
- 一般来讲对我们而言，需要抓取的是某个网站或者某个应用的内容，提取有用的价值。内容一般分为两部分，非结构化的数据 和 结构化的数据。
- 非结构化数据：先有数据，再有结构，
- 结构化数据：先有结构、再有数据
- 不同类型的数据，我们需要采用不同的方式来处理。
非结构化的数据处理
-
文本、电话号码、邮箱地址
- 正则表达式
- HTML 文件
-
正则表达式
- XPath
- CSS选择器
结构化的数据处理
-
JSON 文件
- JSON Path
- 转化成Python类型进行操作（json类）
- XML 文件
-
转化成Python类型（xmltodict）
- XPath
- CSS选择器
- 正则表达式
