爬虫的目的就是自动化地获取网站的 html 代码并从中解析出我们想要的信息。
1.什么是 HTML？
1.HTML 叫做超文本标记语言。
2.HTML 是构建网页的标准语言。
3.HTML 描述了网页的结构。
4.HTML 是由一系列的元素组成的。
5.浏览器根据 HTML 元素来解释页面的内容。
6.HTML 的元素给内容打上了相应的标签，例如：这是一个标题，这是一个链接等等。
2.什么是 HTML 元素？
HTML 是由一系列的元素组成的，那么什么是 HTML 元素呢？元素是由开始标签、内容和结束标签组成的。
1.开始标签（Opening tag）：包含元素的名称（本例为 p），被左、右尖括号包围，表示元素由这里开始。
2.结束标签（Closing tag）：与开始标签相似，只是在元素名之前包含了一个斜杠，表示元素的结尾。
3.内容（Content）：元素的内容，本例中就是所输入的文本本身。
4.元素（Element）：开始标签、结束标签与内容相结合，便是一个完整的元素。
3.一个简单的示例
由于豆瓣网主页的 HTML 代码有 2000 多行，如果拿豆瓣网主页的 HTML 代码来讲解的话显得有点复杂了。所以我们从一个简单的 HTML 代码讲起。下图为一个简单的页面：
对应的 HTML 代码为：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/Python.png" alt="Python 语言 Logo" />
<p>使用 Python，我们可以做许多事情。</p>
<ul> <li>Web 开发</li> <li>网络爬虫</li> <li>数据分析</li> <li>人工智能与机器学习</li> <li>自动化运维</li> <li>游戏开发</li> </ul>
<p>人生苦短，我用 Python。</p>
<p> 如果想了解更多的 Python 语言的相关知识，可以查看 <a href="https://docs.python.org/zh-cn/3/">Python 官方文档</a>。 </p> </body></html>
复制代码
在上面代码中：
在上面代码中：
<!DOCTYPE html>: 声明文档的类型为 HTML5 文档。
元素为 HTML 页面的根元素，它包裹了整个完整的页面。
元素包含了 HTML 页面的元信息，包括你想在搜索结果中出现的关键字和页面描述，CSS 样式，字符集声明等等。
元素设置文档使用 utf-8 字符集编码。将文档的字符集编码设置成 utf-8 可以避免许多问题，毫无疑问我们应该使用 utf-8 编码。
元素设置了 HTML 页面的标题，可以在浏览器的标签上看到，当你标记或收藏页面时它可用来描述页面。
元素包含了访问页面时，你在页面上看到的内容，包括标题、段落、图片、超链、表格、列表等等。
4.元素
4.1 页面标题
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body></body></html>
复制代码
相应的页面如下：
图片中标红的便是页面的标题，是通过 <title></title> 元素设置的。
4.2 内容标题
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> </body></html>
复制代码
相应的页面如下：
图中标红的为一级标题，是由 <h1></h1> 元素设置的。HTML 标题（Heading）是通过 <h1> ~ <h6> 等元素进行定义的。<h1> 标签定义了最重要的标题，<h6> 标签定义了最不重要的标题。例如，有如下代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>This is heading 1</h1> <h2>This is heading 2</h2> <h3>This is heading 3</h3> <h4>This is heading 4</h4> <h5>This is heading 5</h5> <h6>This is heading 6</h6> </body></html>
复制代码
相应的页面如下：
4.3 图像
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/Python.png" alt="Python 语言 Logo" /> </body></html>
复制代码
相应的页面如下：
图中的 Python Logo 图像是由 <img> 元素设置的。<img> 元素会将图像嵌在页面中 <img> 元素出现的地方。这是通过 src 属性来实现的，属性的值为图像的路径。元素里还包含了 alt 属性，此属性是对图像的文字描述。图像的文字描述有如下作用：1. 有视觉障碍的人士在浏览网页时，可以通过屏幕阅读器来阅读图片的文字描述进而了解图片的内容。2. 由于某些原因图像无法展示时，图像的文字描述将出现在图像应该出现的地方。
例如，当故意修改图像的路径，使得图像访问不到时，这时候便会出现图像的描述文字。例如，有如下代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/../Python.png" alt="Python 语言 Logo" /> </body></html>
复制代码
相应的页面如下：
4.4 段落
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/Python.png" alt="Python 语言 Logo" />
<p>使用 Python，我们可以做许多事情。</p> </body></html>
复制代码
相应的页面如下：
图中标红的文字为一个段落，是由 <p></p> 元素设置的。一个新的段落会另起一行，浏览器会自动地在段首和段尾加上一些空格。通过在 HTML 代码中添加额外的空格和空行是没办法改变页面的展示的。因为在页面展示的时候，浏览器会自动地去掉额外的空格和空行。例如，有如下代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <p> This paragraph
contains a lot of lines in the source code, but the browser ignores it. </p> <p> This paragraph contains a lot of spaces in the source code, but the browser ignores it. </p> </body></html>
复制代码
相应的页面如下：
HTML 代码中的空格和空行都被去掉了。
4.5 列表
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/Python.png" alt="Python 语言 Logo" />
<p>使用 Python，我们可以做许多事情。</p>
<ul> <li>Web 开发</li> <li>网络爬虫</li> <li>数据分析</li> <li>人工智能与机器学习</li> <li>自动化运维</li> <li>游戏开发</li> </ul> </body></html>
复制代码
相应的页面如下：
图中标红的为一个列表，是由 <ul></ul> 元素设置的，列表中的每个项目是由元素 <li></li> 设置的。以标签 <ul> 开始的列表为无序列表。相应地，HTML 还提供了有序列表。有序列表以标签 <ol> 开始。例如，有如下代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <ol> <li>Web 开发</li> <li>网络爬虫</li> <li>数据分析</li> <li>人工智能与机器学习</li> <li>自动化运维</li> <li>游戏开发</li> </ol> </body></html>
复制代码
相应的页面如下：
有序列表会在每个项目的前面添加一个序号。
4.6 链接
代码：
<!DOCTYPE html><html lang="en"> <head> <meta charset="UTF-8" /> <title>我的 Web 页面</title> </head> <body> <h1>Python 是一门优雅的语言。</h1> <img src="images/Python.png" alt="Python 语言 Logo" />
<p>使用 Python，我们可以做许多事情。</p>
<ul> <li>Web 开发</li> <li>网络爬虫</li> <li>数据分析</li> <li>人工智能与机器学习</li> <li>自动化运维</li> <li>游戏开发</li> </ul>
<p>人生苦短，我用 Python。</p>
<p> 如果想了解更多的 Python 语言的相关知识，可以查看 <a href="https://docs.python.org/zh-cn/3/">Python 官方文档</a>。 </p> </body></html>
复制代码
相应的页面如下：
图中标红的部分为一个链接，是由 <a></a> 元素设置的。<a></a> 元素的 href 属性为链接的地址。<a></a> 元素的内容（Python 官方文档）会显示在页面上，当我们点击 Python 官方文档时，将会跳转到目的页面。我们不仅可以设置页面的链接，还可以设置图片、文件等的链接。
评论