爬虫-信息组织与提取方法

信息标记的三种形式：

XML：　扩展标记语言，用<>，以标签为主，名称，属性等

JSON：有类型的键值对，可以嵌套使用，可以一个键对应多个值

YAML：无类型键值对，用缩进的形式表达所属关系，-表示并列关系

 

比较

XML　　最早的通用信息标记语言，可扩展性好，但是繁琐；适用于Internet上的信息交互与传递

JSON　　信息有类型，适合程序处理，较XML简洁；适用于移动应用云端和节点的信息通信，无注释

YAML　　信息无类型，文本信息比例较高，可读性好；适用于各类系统的配置文件，有注释易读

 

#下面编程提取以上html里的所有链接
from bs4 import BeautifulSoup
soup=BeautifulSoup(demo,'html.parser')
for link in soup.find_all('a'):
    print(link.get('href'))

返回：

http://www.icourse163.org/course/BIT-268001
http://www.icourse163.org/course/BIT-1001870001