信息的标记
- 标记后的信息可形成信息组织结构，增加了信息维度
- 标记的结构与信息一样具有重要价值
- 标记后的信息可用于通信、存储或展示
- 标记后的信息更利于程序理解和运用
信息标记的三种格式
- XML
- JSON
- YAML
XML（eXtensible Markup Language）
空元素的缩写形式
<img src=“china.jpg” size=“10” /> 注释书写形式
<!‐‐ This is a comment, very useful ‐‐>小结
<name>… </name> (标签中包含内容，可以使用这种形式进行表示，与html一样)
<name /> （标签中没有内容，用一对尖括号即可）
<!‐‐ ‐‐> （对标签进行注释）JSON（JavsScript Object Notation）
一个键对应多个值的时候需要采用 方括号[]与逗号（,）组织，如下图所示：
键值对嵌套使用，需要采用大括号{}与逗号（,）进行组织，如下图所示：
小结
JSON采用键值对进行表示，可以一个键对应一个值；也可以一个键，对应多个值，对应的值需要通过方括号与逗号进行组织；也可以把新的键值对作为值的一部分放入方括号中。JSON这种键值对的优点，对于像JavaScript等编程语言可以直接将JSON作为程序的一部分，使得编写程序大大简化。
YAML（YAML Ain’t Markup Language）
称之为无类型键值对
缩进表达所属关系
name:
newName : 北京理工大学
oldName: 延安自然科学院‐ 表达并列关系
name:
‐北京理工大学
‐延安自然科学院
三种信息标记形式的比较
| 类型 | 特点 |
|---|---|
| XML | 最早的通用信息标记语言，可扩展性好，但繁琐 |
| JSON | 信息有类型，适合程序处理(js)，较XML简洁 |
| YAML | 信息无类型，文本信息比例最高，可读性好 |
| 类型 | 应用 |
|---|---|
| XML | Internet上的信息交互与传递 |
| JSON | 移动应用云端和节点的信息通信，无注释 |
| YAML | 各类系统的配置文件，有注释易读 |
信息提取的一般方法
方法一：完整解析信息的标记形式，再提取关键信息
XML JSON YAML需要标记解析器，例如：bs4库的标签树遍历.
- 优点：信息解析准确
- 缺点：提取过程繁琐，速度慢
方法二：无视标记形式，直接搜索关键信息
搜索对信息的文本查找函数即可.
- 优点：提取过程简洁，速度较快
- 缺点：提取结果准确性与信息内容相关
融合方法：结合形式解析与搜索方法，提取关键信息
XML JSON YAML 搜索需要标记解析器及文本查找函数.
实例
提取HTML中所有URL链接
思路：
1) 搜索到所有<a>标签
2) 解析<a>标签格式，提取href后的链接内容
