python爬虫入门——html(xml)语言知识
简单的python爬虫程序能够让用户从一个或多个网页中提取想要的信息。由于我最近需要爬取某个网页资源信息，所以开始入门python爬虫类的相关知识
博客中相关知识的介绍内容参考了菜鸟教程中的html语言和mooc慕课上嵩天老师的爬虫教程
写在前面
我的爬虫学习刚刚起步，最近需要做的事情和学习任务也占据了很多时间，越发觉得自己能力亟待提升。所以写这条博客在于帮助自己梳理爬虫的内容，以及分享一些有趣的知识以供交流。
推荐的内容
我主要根据mooc网课上北京理工大学的嵩天老师的课件和视频进行学习，嵩天老师的课件深入浅出，并且十分友好，注重实践，让python小白也能够快速入门和实战。
如果按照慕课的学习节奏，直接从requests库开始入门，网页解析出来的html文档总是让无html基础的人一头雾水，所以觉得简单学习一下html语言还是比较有必要的。
html语言介绍
HyperText Markup Language，超文本标记语言，用来创建网页的标准标记语言，简称html。顾名思义，超文本也就是将文本之外的内容用语言描绘出来，包括图片、视频、音频、链接等。
html并不是一种编程语言，而是一种标记语言，用来编写一个网页的源代码。一个网页可以用html语言编写，并被浏览器解析，从而呈现出可读的网页内容给用户。
我个人认为，在使用python爬虫时，不用学会如何用html语言编写网页，只需要在解析网页时能够读懂html语言，并进行相关操作即可。因此，只需要掌握有限的html知识即可支撑python爬虫的学习。
与爬虫相关的知识内容
下面的内容我按照个人认为的重要性进行了降序罗列
html元素：
组成html文档的各种完整元素，比如带有元素内容的标签；无元素内容的空标签等等
下面是一个标题标签的实例
<title>这是一个标题title>
元素一般由开始标签和结束标签构成首尾，两个标签中间是元素内容。
元素是构成html文档（网页源代码）的重要概念，了解每一种元素的作用、属性、特征，是网页解析的基础。
这里推荐去菜鸟教程上查看html教程，里面的知识通俗易懂，能够很快了解html基本知识。
元素的嵌套关系：
html元素可以有嵌套关系，一个标签(html元素)就像一个节点，一个节点下可以有多个分支，每个分支则为子节点，如此衍生下去。若将html文档这种嵌套关系友好的显示出来，则最终显示效果类似一个“标签树”，这也是后面进行html文档解析的重要概念。
下面就是主体标签中嵌套的标题和段落。只有在body标签内的内容才能够在浏览器页面上直接显示给访问用户。
<body>
<h1>一级标题h1>
<p>一个段落p>
<body>
<--!主体部分结束-->
元素的属性：
元素可以有属性，一般加在开始标签内(即第一个标签)。属性有很多种，我们会在各种教程和网页解析内容中看见它们。属性能够对元素内容进行规定，或者，属性能够帮助我们定位或分类标签等。
例如在链接标签中，就需要在标签的href属性中给出字符串形式的链接地址，这样才能点击时正常跳转。
<a href='https://www.bilibili.com/'> 点击访问bilibilia>
更多的内容：
了解上面三种概念肯定是不够的，不过这没有关系。我们可以去html教程里进行选择性学习，俗话说“哪里不会补哪里嘛”，而且在后续的python爬虫学习中，我们也能够不断学习新的html知识，并温习之前的html知识。总的来说，掌握html的程度能够支撑我们学习python对html网页的爬虫操作即可。
譬如，下面是我在b站上简单搜索“总是吃炸鸡健康吗”，解析得到的html文档“标签树”部分截图，下面我想从这颗“标签树”上摘下一些有用的信息，如我想知道每个视频的标题，看看大家关于这个话题拍的都是哪类视频。
于是，我们发现在a标签中，a的属性title就是一个视频链接的标题，那么我们可以将它们爬取下来看看。
如此这般，我们就爬取了b站视频搜索页面下“总是吃炸鸡健康吗”的第一页所有视频标题，发现关于“垃圾食品”、“深夜”等关键词的视频比较多。在这个过程中，我也就顺带复习了html文档中某些元素的相关知识，如元素的名称、属性。
后续的，我们可以将这些信息以特定的数据类型储存起来，以供需要。
回顾
python爬虫还是比较实用的一个功能，用好爬虫能够帮助方便快捷地获取海量的信息资源。
这里给出博客中提到的两个学习资源的链接。
Python网络爬虫与信息提取——慕课链接
菜鸟html教程