爬虫 ：结构化和非结构化数据

爬虫程序，主要是运行在网络中进行数据采集的一种计算机程序，由于存在着不同的服务器和软件应用，所以爬虫获取到的数据就会出现各种不同的表现形式，但是总体来说还是有规律的，有规律就可以被掌握的。
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
  这类 信息无法用数字或统一的结构表示，如文本、图像、声音、网页等，我们称之为非结构化数据。 结构化数据属于非结构化数据，是非结构化数据的特例 ，无格式字符串数据：用户名、邮箱、账号、电话号码、地址、电影名称、评分、评论、商品名称等等

• 结构化数据：先有结构、再有数据
  这类信息能够用数据或统一的结构加以表示，我们称之为结构化数据，如数字、符号，HTML网页文档、XML网页文档、JSON等等

• 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Python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

• 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