Python爬虫-页面结构

了解页面结构

我们知道爬虫作用的对象是一个个复杂的网页，而要从一个网页庞大的数据中提取出我们想要的信息，就要先了解网页页面的结构，找到其中的规律。
一个网页页面是使用HTML来描述的。HTML是HyperTextMarkup Language的缩写，意思是超文本标记语言。为了描述复杂的页面元素，还引入了标签Mark的概念。标签都是使用<>括起来的字符串，其中大部分标签都是成对的，如、、等等，其中不带斜杠的称为起始标签，而带斜杠的称为结束标签，两个标签之间的是内容部分，这类成对的称为闭合标签；也有部分闭合标签是单个的，如
、

---

,一般建议在这种标签后面加上斜杠。而不加斜杠的称为非闭合标签。

通过这些标签可以定义网页的结构，一个标准的页面基本结构为：

  
    
    
  
  
    页面内容
  

其中可以看出，整个页面包含在、标签之间，其中分为两部分，、为网页头部，用来设置页面相关的参数；、之间为页体部分，其中包含页面的内容。参数大多是使用标签来定义，例如charset用来设置网页使用的字符集。而title就是标题噜。

常用的标签

①table：表格

表格中可以添加属性长、宽、高：

②tr：行、td:列

在table表格中添加行、列

            

                

                    姓名
                
                

                    年龄
                
                

                    性别
                
        

如图：

③li：列表项目

li表示行排列不能单独使用，需要嵌套在ul和ol里面配合使用。

④ul：无序列表（运用较广）

            

                大鹅
            
            
    
                小鸡
            

⑤ol：有序列表

            
穿衣
            
下床
            
洗漱

⑥a标签：超链接

百度