自学内容网 自学内容网
自学内容网 > 正文

爬虫基础之Web网页基础

🕗 发布于 2024-12-11 19:26 爬虫  web  网页  CSS选择器  

网页的组成

网页可以分为三大部分–HTML、CSS 和 JavaScript。如果把网页比作一个人，那么 HTML 相当于骨架、JavaScript 相当于肌肉、CSS 相当于皮肤，这三者结合起来才能形成一个完善的网页。下面我们分别介绍一下这三部分的功能。

  • HTML
    HTML(Hypertext Markup Language)中文翻译为超文本标记语言，但我们通常不会用中文翻译来称呼它，一般就叫 HTML。
    HTML是一种用来描述网页的语言。网页包括文字、按钮、图片和视频等各种复杂的元素，其基础架构就是 HTML。网页通过不同类型的标签来表示不同类型的元素，如用 img标签表示图片、用video 标签表示视频、用p标签表示段落，这些标签之间的布局常由布局标签 div 嵌套组合而成，各种标签通过不同的排列和嵌套形成最终的网页框架。那 HTML长什么样子呢?我们可以随意打开一个网站，比如淘宝网首页，然后单击鼠标右键选择“检查元素”菜单或者按 F12，即可打开浏览器开发者工具，接着切换到 Elements 面板，这时候呈现的就是淘宝网首页对应的 HTML，它包含了一系列标签，浏览器解析这些标签后，便会在网页中将它们渲染成一个个节点，这便形成了我们平常看到的网页。比如在下图中可以看到一个输入框就对应一个 input 标签，可以用于输入文字。
    在这里插入图片描述
    不同标签对应不同的功能，这些标签定义的节点相互嵌套和组合形成了复杂的层次关系，就形成了网页的架构。

  • CSS
    HTML 定义了网页的架构，但是只有 HTML 的页面布局并不美观，有可能只是节点元素的简单排列。为了让网页更好看一些，可以借助 CSS 来实现。
    CSS，全称叫作 Cascading Style Sheets，即层叠样式表。“层叠”是指当 HTML, 中引用了多个样式文件，并且样式发生冲突时，浏览器能够按照层叠顺序处理这些样式。“样式”指的是网页中的文字大小、颜色、元素间距、排列等格式。CSS 是目前唯一的网页页面排版样式标准，有了它的帮助页面才会变得更为美观。
    在上图中，Styles 面板呈现的就是一系列CSS样式，我们摘抄一段:

    #head wrapper.s-ps-islite .s-p-top{
position:absolute;
bottom:40px;
width: 100%;
height: 181px;
}

    这就是一个 CSS 样式。大括号前面是一个 CSS 选择器，此选择器的意思是首先选中 id 为head wrapper 且class为 s-ps-islite 的节点，然后选中此节点内部的 class为s-p-top 的节点。大括号的内部就是一条条样式规则，position指定了这个节点的布局方式为绝对布局，bottom指定节点的下边距为 40 像素，width 指定了宽度为 100%，表示占满父节点，height 则指定了节点的高度。也就是说，我们将位置、宽度、高度等样式配置统一写成这样的形式，然后用大括号括起来，接着在开头加上 CSS选择器，这就代表这个样式对 CSS选择器选中的节点生效，节点就会根据此样式来展示了在网页中，一般会统一定义整个网页的样式规则，并写人 CSS 文件中(其后缀为 css )。在 HTML只需要用 link 标签即可引人写好的 CSS 文件，这样整个页面就会变得美观、优雅。

  • JavaScript
    JavaScript简称JS，是一种脚本语言。HTML和 CSS 组合使用，提供给用户的只是一种静态信息缺乏交互性。我们在网页里还可能会看到一些交互和动画效果，如下载进度条、提示框、轮播图等。这通常就是 JavaScript 的功劳。JavaScript 的出现使得用户与信息之间不只是一种浏览与显示的关系
    还实现了一种实时、动态、交互的页面功能。
    JavaScript通常也是以单独的文件形式加载的,后缀为is,在 HTML中通过 script 标签即可引人.例如:

    <script src="jquery-2.1.0.js"></script>

综上所述，HTML 定义了网页的内容和结构，CSS 描述了网页的样式，JavaScript 定义了网页的行为。

网页的结构

我们首先用例子来感受一下 HTML的基本结构。新建一个文本文件,名称叫作 test.html,内容如下：

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
<title>This is a Demo</title>
</head>
<body>
<div id="container">
<div class="wrapper">
<h2 class="title">Hello World</h2>
<p class="text">Hello,this is a paragraph.</p>
</div>
</div>
</body>
</html>

这就是一个最简单的 HTML 实例。开头用 DOCTYPE 定义了文档类型，其次最外层是 htm1 标签，代码最后有对应的结束标签表示闭合。html标签内部是 head 标签和 body 标签，分别代表网页头和网页体，它们同样需要结束标签。head 标签内定义了一些对页面的配置和引用，上述代码中的<metacharset=“UTF-8”>指定了网页的编码为 UTF-8。
title 标签则定义了网页的标题，标题会显示在网页的选项卡中，不会显示在正文中。body 标签内的内容是要在网页正文中显示的。div标签定义了网页中的区块,此处区块的id是container,id是一个非常常用的属性，其内容在网页中是唯一的，通过它可以获取这个区块。然后在此区块内又有一个 div标签，它的 class 为wrapper，这也是一个非常常用的属性，经常与 CSS 配合使用来设定样式。然后此区块内部又有一个 h2 标签，代表一个二级标题;另外还有一个p标签，代表一个段落。若想在网页中呈现某些内容，直接把内容写人h2标签和p标签中间即可，这两者也有各自的 class 属性。将代码保存后，双击该文件在浏览器中打开，可以看到如下图所示的内容。
在这里插入图片描述
可以看到，选项卡上显示 ThisisaDemo 字样，这是我们在 head 标签中的 title 里定义的文字。网页正文则是由 body 标签内部定义的各个元素生成的，可以看到这里显示了二级标题和段落。

这个实例便是网页的一般结构。一个网页的标准形式是 html 标签内嵌套 head 标签和 body 标签head 标签内定义网页的配置和引用，body 标签内定义网页的正文。

节点树及节点间的关系

在 HTML中,所有标签定义的内容都是节点,这些节点构成一个HTML,节点树,也叫HTMLDOM树先来看一下什么是 DOM。DOM 是 W3C(万维网联盟)的标准，英文全称是 Document ObjectModel，即文档对象模型。它定义了访问 HTML和XML,文档的标准。根据 W3C的HTMLDOM 标准HTML 文档中的所有内容都是节点。

  • 整个网站文档是一个文档节点。
  • 每个 htm1 标签对应一个根节点，即上例中的 html标签，它属于一个根节点。
  • 节点内的文本是文本节点，比如a节点代表一个超链接，它内部的文本也被认为是一个文本节点。
  • 每个节点的属性是属性节点，比如a节点有一个 href 属性，它就是一个属性节点。
  • 注释是注释节点，在 HTML,中有特殊的语法会被解析为注释，它也会对应一个节点。
    因此，HTMLDOM 将 HTML文档视作树结构，这种结构被称为节点树，如下图所示。
    在这里插入图片描述
    通过 HTML DOM，节点树中的所有节点均可通过 JavaScript访问，所有 HTML节点元素均可被修改、创建或删除。
    节点树中的节点彼此拥有层级关系。我们常用父(parent)、子(child)和兄弟(sibling)等术语描述这些关系。父节点拥有子节点，同级的子节点被称为兄弟节点。
    在节点树中，顶端节点称为根(root)。除了根节点之外，每个节点都有父节点，同时可拥有任意数量的子节点或兄弟节点。下图展示了节点树以及树中节点间的关系。
    在这里插入图片描述

选择器

我们知道，网页由一个个节点组成，CSS选择器会为不同的节点设置不同的样式规则，那么怎样定位节点呢?
在 CSS 中，使用 CSS 选择器来定位节点。例如,“网页的结构”一节的例子中 div 节点的 id container，那么这个节点就可以表示为 #container，其中以#开头代表选择 id，其后紧跟的是 id 的名称。如果想选择 class为wrapper的节点，则可以使用.wrapper，这里以.开头代表选择class，其后紧跟的是 class的名称。除了这两种,还有一种选择方式，就是根据标签名，例如想选择二级标题直接用 h2 即可。这些是最常用的三种方式，分别是根据 id、class、标签名选择，请牢记它们的写法。另外，CSS 选择器还支持嵌套选择，利用空格把各个选择器分隔开便可以代表嵌套关系，如#container .wrapper p代表先选择 id为 container 的节点，然后选择其内部 class 为 wrapper 的节点，再进一步选择该节点内部的p节点。要是各个选择器之间不加空格，则代表并列关系，如div#container .wrapper p.text 代表先选择 id 为 container 的 div 节点，然后选择其内部 class 为wrapper 的节点，再进一步选择这个节点内部的 class 为 text的p节点。这就是 CSS 选择器，其筛选功能还是非常强大的。我们可以在浏览器中测试 CSS 选择器的效果,依然还是打开浏览器的开发者工具,然后按快捷键Ctrl+F(如果你用的是Mac，则是 Command+F)，这时候左下角便会出现一个搜索框，如下图所示：
在这里插入图片描述

这时候我们输人 .title 就是选中了 class为title的节点,该节点会被选中并在网页中高亮显示如下图所示。
在这里插入图片描述
输入 div#container .wrapper p.text 就逐层选中了id为container 的节点中 class 为 wrapper 的节点中的p节点，如下图所示。
在这里插入图片描述
CSS选择器还有一些其它语法规则，具体如下表：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
另外，还有一种比较常用的选择器 XPath，这种选择方式后面会详细介绍。

总结

本节介绍了网页的结构和节点间的关系，了解了这些内容，我们才能有更加清晰的思路去解析和提取网页内容。


原文地址：https://blog.csdn.net/Android_xue/article/details/144383676

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

自学内容网
Copyright © 2015-2024