爬虫-网页基础

HTML 基本语法

HTML：Hyper Text Markup Language, 超文本标记语言，是计算机语言的一种，由元素构成。

p元素

<p>Web 真好玩！</p>

由三大部分组成

1. 开始标签：一对尖括号中间包裹这元素名称
2. 元素内容：页面中用户可以看到的内容
3. 结束标签：与开始标签类似，区别在于元素名称前有一个斜杠 /

a元素

互联网中必不可少的一个要素是超链接，对应到HTML语言中就是a元素。

<a href="https://web.shanbay.com/codetime/home/" target="_blank">扇贝编程首页</a>

分析：

1. <a href="https://web.shanbay.com/codetime/home/" target="_blank">为元素开始标签
2. 扇贝编程首页，元素内容
3. </a> 元素的结束标签

a元素的开始标签中有许多额外信息，这些信息就是元素的 属性。

元素属性

元素的属性需要写在开始标签中，写成  属性名称="属性值"。元素的属性是额外信息，不会直接展示给用户，而是提供给浏览器、程序解析使用。

上面的例子中 href 和 target 是a元素的两条属性。

注：属性值是用英文双引号，多个属性之间使用一个空格隔开。

最常见的属性还有class、id、和 style。

class和id是用来标识元素的。

class:标识某一类元素，在一份HTML文档中可以重复出现。

id: 标识具体的某一个元素。其值在整个HTML中是唯一的。

style：为元素设置样式。

img元素

<img src="https://media-image1.baydn.com/storage_media_image/svpyor/b070ba779623e1405ad77dc048f0552b.68b5c7778324e642ffaee2d1034fce98.png" alt="">

img 元素用来描述图片的。有两个属性：

src：图片来源属性

alt：用于替换的文本属性

注：img元素只有开始标签，没有元素内容以及结束标签。这就说到了一种元素叫空元素。

空元素

有些元素不需要提供文本内容，自然不需要元素内容。那就是空元素。

img元素，换行符 br（break）元素，水平分割线 hr（horizontal）元素均属于空元素。

ol元素

有序列表由外层 ol（ordered lists）元素和 li（list item）元素构成

ul元素

无序列表则是由外层 ul (unordered lists)元素和内层 li 元素构成。

HTML 文档结构

我们从网页内容第一行看起。第一行的 !<DOCTYPE html> 表明该文件是 HTML 文档，便于浏览器正确解析，没有实际含义。DOCTYPE 之后的整个网页内容都包裹在 html 元素 中，这是约定俗成的格式。如此一来，网页内所有元素都是 html 元素的子元素，整个 HTML 文档像树一样开枝散叶，结构清晰明朗。因此，html 元素也被称为 根元素。

再往内部看，网页根元素最粗壮的两个分支，一个叫 head 元素，另一个叫 body 元素。它们分别是网页的 网页头 和 网页体。

HTML规定：

• 用 title 元素 设置网页标题，这个标题将显示在浏览器标签页上
• 用 meta 元素 设置网元信息，这些信息包括网页使用什么样的字符编码方式、样式、整体布局，还包含页面描述信息和面向搜索引擎的搜索关键字等等。

head 元素中还有许多 link 元素 和 script 元素，它们负责将 HTML 文档与对应的 CSS 样式、JavaScript 代码文件关联起来