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 {#非结构化的数据处理}

文本、电话号码、邮箱地址 {#文本、电话号码、邮箱地址}

• 正则表达式

HTML 文件 {#html-文件}

• 正则表达式
• XPath
• CSS选择器

---

结构化的数据处理 {#结构化的数据处理}

JSON 文件 {#json-文件}

• JSON Path
• 转化成Python类型进行操作（json类）

XML 文件 {#xml-文件}

• 转化成Python类型（xmltodict）
• XPath
• CSS选择器
• 正则表达式

2.Beautiful Soup 4.2.0 文档

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html