共计 509 个字符，预计需要花费 2 分钟才能阅读完成。
一般来讲对咱们而言，须要抓取的是某个网站或者某个利用的内容，提取有用的价值，内容个别分为两局部，非结构化的文本，或结构化的文本。
对于结构化的数据
JSON、XML、HTML
HTML 文本（蕴含 JavaScript 代码）是最常见的数据格式，理当属于结构化的文本组织，但因为个别咱们须要的要害信息并非间接能够失去
须要进行对 HTML 的解析查找，甚至一些字符串操作能力失去，所以还是归类于非结构化的数据处理中。
把网页比作一个人，那么 HTML 便是他的骨架，JS 便是他的肌肉，CSS 便是它的衣服。
常见解析形式如下：XPath、CSS 选择器、正则表达式
HTML DOM 示例
HTML DOM 定义了拜访和操作 HTML 文档的规范办法。
DOM 以树结构表白 HTML 文档。
文本数据
例如一篇文章，或者一句话，咱们的初衷是提取无效信息，所以如果是滞后解决，能够间接存储，如果是须要实时提取有用信息，常见的解决形式如下：
- 分词依据抓取的网站类型，应用不同词库，进行根本的分词， 而后变成词频统计，相似于向量的示意，词为方向，词频为长度。
- NLP 自然语言解决，进行语义剖析，用后果示意，例如正负面等。
IT 入门 感激关注 | 练习地址：www.520mg.com/it
正文完