Python爬虫入门2：HTML知识简介-白红宇

Python爬虫入门2：HTML知识简介

阅读量：110 次

发布时间：2019-02-26

本文共 3329 字，大约阅读时间需要 11 分钟。

☞ ░ ░

一、HTML语言简介

HTML 指的是超文本标记语言 (Hyper Text Markup Language)，它不是一种编程语言，而是一种使用一套标记标签（markup tag）来标记元素作用的标记语言，标记语言使用标记标签来描述网页的内容。标记标签不会出现在页面中，只有标签中的内容才会显示在页面上。

二、HTML标签和HTML元素

HTML 标记标签通常被称为 HTML 标签 (HTML tag)，是由一对尖括号括起来的关键词，称为标签名，如 <html>、<a>、<h1>。标签不区分大小写，但是推荐使用小写，(X)HTML 版本中强制使用小写，这样更加严谨。

标签的标记分为起始标签和结束标签。HTML 元素指的是从开始标签（start tag）到结束标签（end tag）的所有内容。

起始标签用于标记对应HTML元素的开始位置，结束标签用于标记HTML元素的结束位置。

标签分为单标签和双标签，都需要起始标签和结束标签，不同的是单标签起始、结束标签都写在一个尖括号里而双标签则分别写在两个尖括号里。单标签又称为空标签，双标签又称为闭合标签。单标签的结束标签就是在标签的右尖括号前面一个反斜杠，如 就是一个单标签，双标签的结束标签就是在左尖括号后比开始标签多了一个反斜杠，如<html>和</html>就是一对开始标签和结束标签。

三、HTML元素的分类

不同的HTML标签对应的HTML元素可以根据位置特征等分为两类:

块元素(block)
块元素主要用来搭建网站架构、页面布局、承载内容，常见块元素对应的标签有： address、blockquote、center、dd、dl、dt、div、dir、fieldset、form、h1-h6、hr、isindex、li、menu、noframes、noscript、ol、table、p、pre、table、u、ul，即这些标签对应的HTML元素为块元素。块元素可设置宽高以及内外边距、在新行上开始，块级元素如果不设置宽度和高度，则宽度默认为父级元素（容器）的宽度。高度则根据内容大小自动填充。

行元素(inline)
行元素用于加强内容显示、控制细节，例如：加粗、斜体等等，常见行元素对应的标签有： a、abbr、acronym、b、bdo、big、br、cite、code、dfn、em、font、i、img、input、kbd、label、q、s、samp、select、small、span、strike、strong、sub、sup、textarea、tt、u、var …等，行元素和其他元素都在一行上，高、行高及顶和底边距不可改变，宽度就是它的文字或图片的宽度，不可改变，可以设置左右内、外边距，行元素与其他行元素可共处一行

四、标签嵌套

双标签的开始标签和结束标签之间可以嵌套其他标签，不过需要遵循以下规则：

两个标签嵌套时必须确保开始标签和结束标签的层级是一致的，即开始标签在外层的结束标签必须在外层；

建议书写HTML文本时嵌套标签的内层标签相对外层标签进行缩进以体现嵌套关系；

块元素标签可以包含行元素标签，但行元素标签不能包含块元素标签，它们只能包含其它的行元素标签；

a标签想要用hover必须把它的路径写全；

伪类(hover/link/visited/active)只能加给a标签，在支持 CSS 的浏览器中，伪类表示链接的不同状态，这些状态包括：活动状态，已被访问状态，未被访问状态，和鼠标悬停状态：

link用在为访问的连接上；

visited用在已经访问过的连接上；

hover用于鼠标光标置于其上的连接；

active用于获得焦点(比如，被点击)的连接上。

块元素标签之间：
1)h1、h2、h3、h4、h5、h6、p、dt标签内不能再嵌套块标签；
2)li元素可以嵌入ul, ol, div；
3)div内可以再嵌套其他块元素；
4)块元素嵌套其他标签时，同一层级必须都是块元素，或必须都是行元素，不能一部分是块元素，一部分是行元素。如<div></div>这种模式是错误的，因为span是行元素，p是块元素，所以这个是错误的嵌套。

虽然标签可以嵌套，但为了提高浏览器的渲染效率，应该尽量少使用标签嵌套。

五、标签的属性

HTML 标签可以拥有属性,属性为HTML元素提供的更多的附加信息, 属性只能在开始标签中使用,总是以名称/值对的形式出现，属性与属性之间需要用空格隔开，属性使用小写。常用的属性有class(样式类)、id（属性名）、style（显示风格）、title（标题）、align（对齐方式）、bgcolor（背景色）、color（颜色）。

如：。而<a>标签定义HTML 链接，链接的地址在<a>标签href 属性中指定，如：

 老猿Python

六、常用标签及含义

<html> 与 </html>:用于标记在这对标签之间的内容为HTML语言文本；

<body> 与 </body>：用于标记这对标签之间的文本是可见的页面内容；

<hn> 与 </hn> ：n为1-6，用于标记这对标签之间的文本显示为标题；

与 ：用于标记这对标签之间的文本被显示为一个独立段落；

<a>与 </a>：用于标记这对标签之间的文本为一个网址链接；

<img>：用于标记图像，这是一个单标签，如：<img src="LaoYuanPython.jpg" />

 :单标签，用于标记换行；

<hr /> ：单标签，用于显示一根水平线；

：用于存放注释；

<center>：定义居中的内容；

 :定义字体；

:定义下划线文本；

:定义斜体文本；

: 定义粗体文本；

<big>: 定义大号字；

: 定义着重文字；

: 定义小号字；

: 定义加重语气；

: 定义下标字；

: 定义上标字；

<ins>: 定义插入字；

<del>: 定义删除字；

<link>：标签定义文档与外部资源的关系，此元素只能存在于 head 部分，不过它可出现任何次数。

本节简单介绍了HTML语言的基础知识，如果大家有不理解的地方，可以再在网上多查查资料。这些知识对于爬虫程序解析网页内容非常重要，如果不理解基本概念，对网页解析的知识就不太好理解。另外本节介绍的内容并不全面，也不是最新的，例如关于标签分类，行元素标签现在又进一步细分了，关于格式控制的标签现在建议使用css样式，这些东西老猿就不再详细介绍了，大家感兴趣可以到更多学习一下。