爬虫第四课 数据处理

页面解析和数据提取

一般来讲对我们而言，爬虫需要抓取的是某个网站或者某个应用的内容，提取有用的数据。响应内容一般分为两种，非结构化的数据 和 结构化的数据。

• 结构化数据：先有结构、再有数据
• 非结构化数据：先有数据，再有结构，
• 不同类型的数据，我们需要采用不同的方式来处理。

---

六、数据处理

结构化的数据处理

HTML 文件

• 正则表达式
• XPath
• CSS选择器

JSON 文件

• JsonPath
• JSON 模块转化成Python类型进行操作

XML 文件

• lxml模块 模块转化成Python类型进行操作
• XPath
• CSS选择器
• 正则表达式

---

非结构化的数据处理

普通文本文件（如提取电话号码、邮箱地址等）

• 正则表达式

JavaScript 文件、CSS 文件（提取特定值等）

• 正则表达式

二进制文件（图片、音乐、视频等）

• 无法提取，直接保存指定格式的磁盘文件

&#x