【Python爬虫开发基础⑤】HTML概述与基本标签详解-Toy模板网

这篇具有很好参考价值的文章主要介绍了【Python爬虫开发基础⑤】HTML概述与基本标签详解。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

专栏：python网络爬虫从基础到实战欢迎订阅！近期还会不断更新~
往期推荐：
【Python爬虫开发基础①】Python基础（变量及其命名规范）
【Python爬虫开发基础②】Python基础（正则表达式）
【Python爬虫开发基础③】Python基础（文件操作方法汇总）
【Python爬虫开发基础④】爬虫原理
上一篇文章已经介绍了爬虫的概念以及常见的爬虫和反爬手段，本篇文章来简单说一下前端的HTML知识

1 什么是HTML

HTML（Hypertext Markup Language）是一种标记语言，用于创建和呈现网页。它是构建网页的基础，并且具有简单易学的语法规则。HTML以标签为基本单位，通过嵌套和属性来描述和格式化网页上的内容和结构。

HTML最初由蒂姆·伯纳斯-李（Tim Berners-Lee）在1990年创造，旨在促进信息共享和互联网上各种文档之间的链接。如今，HTML成为了万维网的核心技术之一，被广泛应用于网页制作、网站开发和跨平台内容交互等领域。

网页由三部分组成：

内容（结构）：是我们在页面中可以看到的数据。我们称之为内容。一般内容我们使用html技术来展示。
表现：指的是这些内容在页面上的展示形式。比如说。布局，颜色，大小等等。一般使用CSS技术实现。
行为：指的是页面中元素与输入设备交互的响应。一般使用javascript技术实现。

每一个网页显示的元素都是由HTML代码构成的，我们可以通过下图的操作看到HTML代码，我们爬虫正是要获得这些代码，通过解析获得我们想要的数据。
【Python爬虫开发基础⑤】HTML概述与基本标签详解

2 为什么要学习HTML

学习爬虫时，学习HTML（Hypertext Markup Language）是非常重要的，因为HTML是构建网页的基础标记语言。了解和掌握HTML对于理解网页结构、获取网页内容以及编写高效的爬虫程序至关重要。

网页结构理解：学习HTML可以帮助我们了解网页的结构，包括标签、元素、属性等。在爬虫中，我们需要解析网页的结构来定位所需的数据，而HTML提供了各种标签和嵌套规则，通过学习HTML可以更好地理解页面的组成部分和它们之间的层次关系。
页面内容抓取：学习HTML可以帮助我们抓取网页上的内容。网页中的各种文本、图片、链接、表格等信息都是通过HTML标记来定义和呈现的，了解HTML语法和元素可以有效地筛选出我们需要的数据，并将其提取到爬虫程序中进行后续处理和分析。
元素属性识别：HTML标签通常有一些属性，这些属性可以提供有关元素的额外信息，如id、class、href等。通过学习HTML，我们可以学会如何利用这些属性来定位和识别特定的网页元素。在爬虫中，准确定位需要抓取的数据是非常重要的，而HTML标签的属性可以帮助我们精确地找到目标信息。
网页动态内容：现代网页通常包含大量的JavaScript代码，用于动态生成和更新页面内容。学习HTML可以让我们理解与JavaScript交互时网页的变化。当我们遇到需要爬取动态加载的页面时，对HTML的基本了解可以帮助我们分析网页结构以及JavaScript代码的作用，从而编写适应性强的爬虫程序。
错误处理和调试：学习HTML可以使我们更好地处理和调试爬虫程序中的错误。当爬虫程序无法正常工作或者抓取到错误的数据时，对HTML的理解可以帮助我们迅速定位问题所在，并针对性地进行修复和调试。

总之，学习HTML对于爬虫开发人员来说，是掌握有效抓取网页内容的基础。它不仅能帮助我们理解网页的结构、获取所需的数据，还能提高爬虫程序的稳定性和效率。通过学习HTML，我们可以更好地应对各种不同类型的网页，并编写出功能强大且适应性广泛的爬虫程序。因此，在学习爬虫时，HTML是一项必不可少的技能。

3 标签的介绍

标签格式

<标签名>封装的数据</标签名>

标签名大小写不敏感
标签拥有自己的属性

<!--1.基本属性（可以修改简单的样式效果）-->
bgcolor = "red"
<!--2.事件属性（可以直接设置事件影响后的代码）-->
onclick = "alert('你好');"

标签分为单标签和双标签

<!--1.单标签-->
<br/>
<!--2.双标签-->
<标签名>封装的数据</标签名>

【Python爬虫开发基础⑤】HTML概述与基本标签详解

4 标签的语法

标签不能交叉嵌套，例如：

正确：<div><span>正确的</span></div>
错误：<div><span>错误的</div></span>	<!--Element span is not closed-->

标签必须正确关闭(闭合) ，例如：

正确：<div>正确的</div>
错误：<div>错误的（后面少了结束标签）

单标签一定要带上自结束符
属性必须有值，且值要加引号

正确：<font color="blue">正确的</font>
错误：<font color=blue>错误1</font>
错误：<font color>错误2</font>

注释不能嵌套

正确：<!-- 注释内容 --> <br/>
错误：<!-- 注释内容 <!-- 注释内容 -->-->

但是，浏览器往往都带有自动修复功能，面对各种语法错误，浏览器会尽可能的帮我们表达出我们想要表达的意思，所以有时候即使出现语法错误，在浏览器中也不会表现出来。

5 常用标签

当我们在IDE创建一个HTML文件，它会自动生成一个框架代码：

<!DOCTYPE html>             <!--  HTML页面的开始  -->
<html lang="en">            <!--  指定网页的语言  -->
<head>                      <!--  头信息  -->
    <meta charset="UTF-8">  <!--  指定网页的字符编码  -->
    <title>Title</title>    <!--  标题  -->
</head>
<body>                      <!--  页面的主体内容  -->
	Html 的代码注释 <!-- 这是 html 注释，可以在页面右键查看源代码中看到 -->
</body>
</html>                     <!--  HTML页面的开始  -->

当我们改变title的值，就可以改变网页打开时的标签题目。例如：

<title>我是标题</title>

效果：
【Python爬虫开发基础⑤】HTML概述与基本标签详解

font（字体）标签，它可以用来修改文本的字体,颜色,大小(尺寸)。例如：

<font color="red" face="宋体" size="7">我是字体标签</font>

color属性修改颜色；face属性修改字体；size属性修改文本大小

特殊字符

<!-- 常用的特殊字符:
	<	===>>>>		&lt;
	>   ===>>>>		&gt;
   空格	===>>>>		&nbsp;
-->
我是&lt;br&gt;标签<br/>
H&nbsp;&nbsp;T&nbsp;&nbsp;M&nbsp;&nbsp;L

标题标签

<!-- 标题标签
     h1 - h6 都是标题标签
     h1 最大
     h6 最小
        align 属性是对齐属性
            left		左对齐(默认)
            center		剧中
            right		右对齐
 -->

<h1 align="left">111</h1>
<h2 align="center">222</h2>
<h3 align="right">333</h3>
<h4>444</h4>
<h5>555</h5>
<h6>666</h6>

超链接标签

<!-- a标签是 超链接
 		href属性设置连接的地址
 		target属性设置哪个目标进行跳转
 			_self		表示当前页面(默认值)
 			_blank		表示打开新页面来进行跳转
 -->
<a href="http://localhost:8080">按钮</a><br/>
<a href="http://localhost:8080" target="_self">按钮_self</a><br/>
<a href="http://localhost:8080" target="_blank">按钮_blank</a><br/>

img标签

<!--img标签是图片标签,用来显示图片
        src属性可以设置图片的路径
        width属性设置图片的宽度
        height属性设置图片的高度
        border属性设置图片边框大小
        alt属性设置当指定路径找不到图片时,用来代替显示的文本内容

    在JavaSE中路径也分为相对路径和绝对路径.
        相对路径:从工程名开始算

        绝对路径:盘符:/目录/文件名

    在web中路径分为相对路径和绝对路径两种
        相对路径:
            .           表示当前文件所在的目录
            ..          表示当前文件所在的上一级目录
            文件名      表示当前文件所在目录的文件,相当于 ./文件名            ./ 可以省略

        绝对路径:
            正确格式是:  http://ip:port/工程名/资源路径

            错误格式是:  盘符:/目录/文件名
-->
<img src="1.jpg" width="200" height="260" border="1" alt="图片找不到"/>
<img src="../../2.jpg" width="200" height="260" />
<img src="../imgs/3.jpg" width="200" height="260" />
<img src="../imgs/4.jpg" width="200" height="260" />

表格标签

<!--table 标签是表格标签
	border 设置表格标签
	width 设置表格宽度
	height 设置表格高度
	align 设置表格相对于页面的对齐方式
	cellspacing 设置单元格间距

	tr	 是行标签
	th	是表头标签
	td  是单元格标签
		align 设置单元格文本对齐方式

	b 是加粗标签
	
	colspan 属性设置跨列
	rowspan 属性设置跨行
	-->

<table width="500" height="500" cellspacing="0" border="1">
	<tr>
		<td colspan="2">1.1</td>
		<td>1.3</td>
		<td>1.4</td>
		<td>1.5</td>
	</tr>
	<tr>
		<td rowspan="2">2.1</td>
		<td>2.2</td>
		<td>2.3</td>
		<td>2.4</td>
		<td>2.5</td>
	</tr>
	<tr>
		<td>3.2</td>
		<td>3.3</td>
		<td>3.4</td>
		<td>3.5</td>
	</tr>
	<tr>
		<td>4.1</td>
		<td>4.2</td>
		<td>4.3</td>
		<td colspan="2" rowspan="2">4.4</td>
	</tr>
	<tr>
		<td>5.1</td>
		<td>5.2</td>
		<td>5.3</td>
	</tr>
</table>

iframe标签

我是一个单独的完整的页面<br/><br/>
<!--iframe标签可以在页面上开辟一个小区域显示一个单独的页面
    iframe和a标签组合使用的步骤:
       1 在iframe标签中使用name属性定义一个名称
       2 在a标签的target属性上设置iframe的name的属性值
-->
<iframe src="3.标题标签.html" width="500" height="400" name="abc"></iframe>
<br/>

<ul>
    <li><a href="0-标签语法.html" target="abc">0-标签语法.html</a></li>
    <li><a href="1.font标签.html" target="abc">1.font标签.html</a></li>
    <li><a href="2.特殊字符.html" target="abc">2.特殊字符.html</a></li>
</ul>

列表标签

<!--ul 是无序列表
    type属性可以修改列表项前面的符号
    li  是列表项
    ol表示有序列表
-->
<ul type="none">
    <li>一</li>
    <li>二</li>
    <li>三</li>
    <li>四</li>
</ul>
<ol>
    <li>一</li>
    <li>二</li>
    <li>三</li>
    <li>四</li>
</ol>

其他标签

<!--
	div标签       默认独占一行
    span标签      它的长度是封装数据的长度
    p段落标签     默认会在段落的上方或下方各空出一行来（如果已有就不再空）
-->
<div>div标签1</div>
<div>div标签2</div>
<span>span标签1</span>
<span>span标签2</span>
<p>p段落标签1</p>
<p>p段落标签2</p>

效果：
【Python爬虫开发基础⑤】HTML概述与基本标签详解

表单标签

<!--
    form标签就是表单
        input type=text     是文件输入框  value设置默认显示内容
        input type=password 是密码输入框  value设置默认显示内容
        input type=radio    是单选框    name属性可以对其进行分组   checked="checked"表示默认选中
        input type=checkbox 是复选框   checked="checked"表示默认选中
        input type=reset    是重置按钮      value属性修改按钮上的文本
        input type=submit   是提交按钮      value属性修改按钮上的文本
        input type=button   是按钮          value属性修改按钮上的文本
        input type=file     是文件上传域
        input type=hidden   是隐藏域    当我们要发送某些信息，而这些信息，不需要用户参与，就可以使用隐藏域（提交的时候同时发送给服务器）

        select 标签是下拉列表框
        option 标签是下拉列表框中的选项 selected="selected"设置默认选中

        textarea 表示多行文本输入框 （起始标签和结束标签中的内容是默认值）
            rows 属性设置可以显示几行的高度
            cols 属性设置每行可以显示几个字符宽度
		提交时：
			action属性设置提交的服务器地址
            method属性设置提交的方式GET(默认值)或POST

        表单提交的时候，数据没有发送给服务器的三种情况：
            1、表单项没有name属性值
            2、单选、复选（下拉列表中的option标签）都需要添加value属性，以便发送给服务器
            3、表单项不在提交的form标签中

        GET请求的特点是：
            1、浏览器地址栏中的地址是：action属性[+?+请求参数]
                请求参数的格式是：name=value&name=value
            2、不安全
            3、它有数据长度的限制

        POST请求的特点是：
            1、浏览器地址栏中只有action属性值
            2、相对于GET请求要安全
            3、理论上没有数据长度的限制
-->
<form action="http://localhost:8080" method="post">
    <input type="hidden" name="action" value="login" />
    <h1 align="center">用户注册</h1>
    <table align="center">
        <tr>
            <td> 用户名称：</td>
            <td>
                <input type="text" name="username" value="默认值"/>
            </td>
        </tr>
        <tr>
            <td> 用户密码：</td>
            <td><input type="password" name="password" value="abc"/></td>
        </tr>
         <tr>
            <td>性别：</td>
            <td>
                <input type="radio" name="sex" value="boy"/>男
                <input type="radio" name="sex" checked="checked" value="girl" />女
            </td>
        </tr>
         <tr>
            <td> 兴趣爱好：</td>
            <td>
                <input name="hobby" type="checkbox" checked="checked" value="java"/>Java
                <input name="hobby" type="checkbox" value="js"/>JavaScript
                <input name="hobby" type="checkbox" value="cpp"/>C++
            </td>
        </tr>
         <tr>
            <td>国籍：</td>
            <td>
                <select name="country">
                    <option value="none">--请选择国籍--</option>
                    <option value="cn" selected="selected">中国</option>
                    <option value="usa">美国</option>
                    <option value="jp">小日本</option>
                </select>
            </td>
        </tr>
         <tr>
            <td>自我评价：</td>
            <td><textarea name="desc" rows="10" cols="20">我才是默认值</textarea></td>
        </tr>
         <tr>
            <td><input type="reset" /></td>
            <td align="center"><input type="submit"/></td>
        </tr>
    </table>
</form>
<!--代码来源：尚硅谷-->