【0基础学爬虫】爬虫基础之网页基本结构

大数据时代，各行各业对数据采集的需求日益增多，网络爬虫的运用也更为广泛，越来越多的人开始学习网络爬虫这项技术，K哥爬虫此前已经推出不少爬虫进阶、逆向相关文章，为实现从易到难全方位覆盖，特设【0基础学爬虫】专栏，帮助小白快速入门爬虫，本期为网页基本结构介绍。

网页概述

网页是互联网应用的一种形态，是组成网站的基本元素。它是一个包含HTML标签的纯文本文件，可以存放在世界上任意一台计算机中。网页可以被看作为承载各种网站应用和信息的容器，网站的可视化信息都通过网页来进行展示，为网站用户提供一个友好的界面。

表面上，网页的组成可以分为文字、图片、音频、视频、超链接等元素构成，这些元素是用户能够直接看到的。但在本质上，网页的组成分为三部分：

• HTML

HTML的全称为超文本标记语言，是一种标记语言，它是标准通用标记语言下的一个应用，也是一种规范，一种标准，它通过标记符号来标记要显示的网页中的各个部分。HTML文本是由HTML命令组成的描述性文本，HTML命令可以说明文字、图片、音频、视频、超链接等，用户在网页上看到的各种元素都是通过HTML文本来实现的。

• CSS

网页的基本元素是通过HTML来实现的，但是HTML只能实现最基本的网页样式。随着HTML的发展，为了满足网页开发者的需求，CSS便孕育而生。

CSS全称为层叠样式表。它为HTML语言提供了一种样式描述，定义了元素的显示方式。提供了丰富的样式定义以及设置文本和背景属性的能力。CSS可以将所有的样式声明统一存放，进行统一管理。在CSS中，一个文件的样式可以从其他的样式表中继承。读者在有些地方可以使用他自己更喜欢的样式，在其他地方则继承或“层叠”作者的样式。这种层叠的方式使作者和读者都可以灵活地加入自己的设计，混合每个人的爱好。

• JavaScript

JavaScript（JS）是一种面向对象的解释型脚本语言，它具有简单、动态、跨平台的特点。它被广泛应用与Web开发中，帮助开发者构建可拓展的交互式Web应用。JavaScript由三部分组成：

• ECMAScript，描述了JS语言的基本语法与基本对象。
• 文档对象模型（DOM），提供了处理网页结构内容的方法与接口。
• 浏览器对象模型（BOM），提供了独立于内容而与浏览器窗口进行交互的方法与接口。

基本结构

网页的基本结构大致可以分为四部分:Doctype声明、html元素、head元素和body元素。

• Doctype： 用来声明文档类型。它在HTML中的作用就是告诉浏览器以何种方式渲染页面。
• html： html元素是网页的根元素，网页中的内容都会包含在html标签中。
• head： head是所有头部元素的容器。被用来引用脚本文件、指示样式表存于何处。
• body： body是网页的主体元素，用户在网页上浏览到的信息主要都存在于body之中，它包含网页文档的所有内容，如段落，列表，链接，图像，表格等。

元素、标签与属性

元素（Element）是网页的一部分，是构成网页的基本单位，实际上一个网页就是由多个元素构成的的文本文件。 标签（Tag）的作用就是用来定义元素。大多数的标签都是成对使用的，它存在一个开始标签与一个结尾标签，开始与结尾标签中间包含该元素的文本信息。

这是一个div标签
这是一个p标签

也有少部分的标签不成对。

...

属性（attribute）主要是用来为标签添加额外的信息，属性的定义一般在开始标签中，以键值对的形式出现（name="value" ），属性的值应始终包括在引号内，属性和属性值对大小写不敏感，但是推荐使用小写的属性与属性值。一个标签可以拥有多个属性，也可以没有属性，开发者没有为标签定义属性的话则会使用默认属性。

这是一个a标签，href是我的属性。

属性在HTML中被分为两种：通用属性和专用属性。 通用属性适用于大部分或所有标签之中，如：

• class：规定元素的类名
• id：规定元素的唯一id
• style：规定元素的行内样式
• title：规定元素的额外信息

专用属性适用于小部分标签或特定标签，如：

• href：主要用于a标签与link标签中，规定元素的超链接地址
• alt：主要用于img标签与area标签中，规定在图像无法显示时的替代文本

文档对象模型DOM

DOM全称即文档对象模型，是W3C制定的标准接口规范，是一种处理HTML和XML文件的标准API。DOM将HTML文本作为一个树形结构，DOM树的每个结点都表示了一个HTML标签或HTML标签内的文本项，它将网页与脚本或编程语言连接起来。

通过这个DOM树，开发者可以通过JavaScript来创建动态HTML，开发者借助JavaScript可以实现：

• 动态改变页面中的所有HTML元素
• 改变页面中的所有HTML属性
• 改变页面中的所有CSS样式
• 删除已有的HTML元素和属性
• 添加新的HTML元素和属性
• 对页面中所有已有的HTML事件作出反应
• 在页面中创建新的HTML事件

DOM提供了一系列API来实现这些操作。

• 增

  document.createElement：创建元素节点。

  document.write：向文档写入内容。

  element.innerHTML：向标签元素中添加内容。

• 删

  element.removeChild：从DOM中删除一个子节点并返回删除的节点。

  element.remove：把元素从它所属的DOM树中删除。

  element.removeAttribute：从指定的元素中删除一个属性。

• 改

  element.appendChild：将一个节点插入到指定父节点列表的末尾处。

  parentNode.replaceChild：用一个节点替换当前节点中的一个子节点并返回被替换的节点。

  parentNode.insertBefore：将一个节点插入到当前节点中一个子节点之前。

• 查

  document.getElementById：返回一个元素Id与指定Id相匹配的元素。

  document.getElementsByClassName：返回一个包含所有指定类名的元素的类数组对象。

  document.querySelector：返回文档中与指定选择器或选择器组匹配的第一个Element对象。

• 事件处理

  EventTarget.addEventListener：将指定的监听器注册到EventTarget上，当事件被触发时，指定的回调函数就会被执行。

  document.createEvent：创建一个指定类型的事件。

  EventTarget.removeEventListener：移除事件监听器。

CSS选择器

css选择器是用来对HTML页面中的元素进行控制，通过对CSS选择器的了解，可以加深对网页结构与节点的理解。常用的CSS选择器主要分为：

1、元素选择器： 通过标签名{}的格式来选中对应标签，如：p{}。

2、类选择器： 通过.类名{}的格式来选中对应类名的标签，如：.page{}，page为元素的类名。

3、id选择器： 通过#id值{}的格式来选中对应id值的标签，如：#key{}，key为元素的id值。

4、群组选择器： 通过选择器1,选择器2,选择器3...{}的格式来选中对应选择器的标签，如：div,.page{}，即选择div标签下类名为pagae的标签。

5、子元素选择器： 通过父元素 > 子元素{}的格式来选中对应父元素中对应子元素的标签，如：div > p{}，即选择div标签下的p标签，子元素选择器只能选择直接后代，不能跨节点选取。

6、后代选择器： 通过父元素 子元素{}的格式来选中对应父元素中对应子元素的标签，如：div p{}，即选择div标签下的p标签，后代选择器可以跨节点选取。