?一般來講對我們而言，需要抓取的是某個網站或者某個應用的內容，提取有用的價值，內容一般分為兩部分，非結構化的文本，或結構化的文本，
關于結構化的資料
JSON、XML、HTML
HTML文本（包含JavaScript代碼）是最常見的資料格式，理應屬于結構化的文本組織，但因為一般我們需要的關鍵資訊并非直接可以得到
需要進行對HTML的決議查找，甚至一些字串操作才能得到，所以還是歸類于非結構化的資料處理中，
把網頁比作一個人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服，
常見決議方式如下：XPath、CSS選擇器、正則運算式
HTML DOM 示例
HTML DOM 定義了訪問和操作 HTML 檔案的標準方法，
DOM 以樹結構表達 HTML 檔案，
文本資料
例如一篇文章，或者一句話，我們的初衷是提取有效資訊，所以如果是滯后處理，可以直接存盤，如果是需要實時提取有用資訊，常見的處理方式如下：
-
分詞根據抓取的網站型別，使用不同詞庫，進行基本的分詞，然后變成詞頻統計，類似于向量的表示，詞為方向，詞頻為長度，
-
NLP自然語言處理，進行語意分析，用結果表示，例如正負面等，
IT入門 感謝關注 | 練習地址：www.520mg.com/it
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/168216.html
標籤：其他