AsaTung：信息标记的三种形式与信息提取的一般方法概述

发表于 | 更新于

Ⅰ.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
  • 标记后的信息更有利于程序理解和应用

   HTML通过预定义的<>...标签形式组织不同类型的信息

Ⅱ.信息标记的三种方式

1.XML

     <img src="china.jpg" size="10">...</img>

  以<img>开始，以</img>结束，<img>为标签tag
  img为名称name，标签中的src与size为属性attibute

  如果是空元素，有以下缩写形式：<img src="china.jpg" size="10" />

  注释书写形式：<!--This is a comment, very useful -->

XML实例：

1
2
3
4
5
6
7
8
9
10
11
12

<person>
   <firstName>Asa</firstName>
   <lastName>Tung</lastName>
   <college>山西大学</college>
   <address>
      <province>山西省</province>
      <city>太原市</city>
      <streetAddr>小店区坞城路92号</streetAddr>
   </address>
   <prof>计算机科学与技术</prof>
</person>

2.JSON

   有类型的键值对 key:value

如 "name" : "山西大学"

"name" : ["山西大学", "山西大学堂"] 多值用[,]来组织

1
2
3
4
5

"name":{
      "newName" : "山西大学",
      "oldName" : "山西大学堂"
       }

键值嵌套用{,}组织

JSON实例：

1
2
3
4
5
6
7
8
9
10
11
12

{
   "firstName" : "Asa",
   "lastNamw"  : "Tung",
   "college"   : "山西大学"，
   "address"   : {
                    "province"   : "山西省",
                    "city"       : "太原市"，
                    "streetAddr" : "小店区坞城路92号"
                 }，
   "prof"      : "计算机科学与技术"
}

3.YAML

无类型键值对 key : value

name : 山西大学       name为key，仅可为字符串，山西大学为value

缩进表达所属关系：

1
2
3
4

name :
   oldName : 山西大学堂
   newName : 山西大学

用符号’-‘来表示并列关系：

1
2
3
name : 
-山西大学
-山西大学堂

‘|’  表达整块数据，’#’  表示注释：

1
2
3
4
5
6
7
8
9
10
11
text : |                   #学校介绍

山西大学文脉可追溯到明代三立书院及清代晋阳书院和令德堂书院，学校前身是清朝光绪二十八年（1902年）

5月8日由英国人李提摩太和时任山西巡抚岑春煊共同创办的山西大学堂。民国元年（1912年）改名为山西大学

校，1918年确定为国立山西大学，是中国创办最早的三所国立大学之一。1931年改名为山西大学。1953

年经全国高校院系调整，更名为山西师范学院。1959年恢复山西大学校名，是中国最早在联合国注册的高校之

一。

YAML实例：

1
2
3
4
5
6
7
8
9

firstName : Asa
lastName  : Tung
college   : 山西大学
address   :
   province   : 山西省
   city       : 太原市
   streetAddr : 小店区坞城路92号
prof      : 计算机科学与技术

Ⅲ.三种信息标记形式的比较

  • XML
    • 早的通用信息标记语言，可拓展性好，但繁琐
    • Internet上的信息交互与传递
  • JSON
    • 信息有类型，适合程序处理(js)，较XML简洁
    • 移动应用云端的节点的信息通信，无注释
  • YAML
    • 信息无类型，文本信息比例最好，可读性好
    • 各类系统的配置文件，有注释易读

Ⅳ.信息提取的一般方法

1.完整解析信息的标记形式(XML JSON YAML)，再提取关键信息

      此方法需要标记解析器，例如，python中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

2.无视标记形式，直接搜索关键信息(搜索)

     此方法需要对信息的文本查找函数

     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有关

3.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)

     融合方法需要标记解析器及文本查找函数