08-页面解析之数据提取-python爬虫

​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，非结构化的文本，或结构化的文本。 关于结构化的数据 JSON、XML、HTML HTML文本（包含JavaScript代码）是最常见的数据格式，理应属于结构化的文本组织，但因为一般我们需要的关键信息并非直接可以得到 需要进行对HTML的解析查找，甚至一些字符串操作才能得到，所以还是归类于非结构化的数据

>>阅读原文<<