爬虫解析库

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