所有的Python “爬虫“ 初学者，都应该看这篇文章！

wushaohe 2021-07-01

展开全文

前段时间，黄同学为大家写了一篇爬虫保姆级文章，大家非常喜欢。链接如下：

3000字 “婴儿级” 爬虫图文教学 | 手把手教你用Python爬取 “实习网”！

这篇文章其实已经是基础的基础了，但是如果搭配上今天的这篇文章，应该更棒了！

今天黄同学就手把手带你认识网页结构，这个对于后续爬虫定位数据，肯定是有帮助的。

我们直到，查看网页源码有两种方式：

① 单击鼠标右键，点击查看网页源代码；
② 单击电脑上的F12键；

以实习网为例，网页源代码结构大致就是这样的。
在这里插入图片描述
每个网页的源代码，都是由很多不同的标签，嵌套组成的。为了讲解方便，我们利用一个简单的html源代码，给大家讲解网页结构。

<!DOCTYPE html>  <html lang='zh-CN'> <head> <meta charset='utf-8'>     #注意这个地方，文章编码都是看这里的，有时候解析源代码乱码，可能就是这里的问题！<title>网页标题</title> <meta name='keywords' content='关键字' /> <meta name='description' content='此网页描述' /> </head> <body> 这里是网页正文内容</body> </html>

解释如下：
在这里插入图片描述
上图是一个最简单的HTMl文档，在上述基础框架上，再添加一些其它的HTML标签，添加一些内容，就可以构成一个丰富的网页了。

我们在爬虫过程中，常见的HTMl标签有div、ul、ol、li、h、a、p、span、img等。接下来，我们分别来介绍它。

注意：HTML标签通常是成对出现的（双边标记），比如 <div>和 </div>，也有单独呈现的标签（单边标记），如：<br />、<hr />和<img src=“images/1.jpg” />等。
说明：给大家讲述这些标签的目的，是为了让大家清楚每个标签具体指代啥，HTML代码不清楚没关系，你只要记住不同标签实际展示出来的效果是啥！

在讲解之前，我们先用pycharm创建一个.html的文件，方便我们后面做标签的讲解演示。

如何在pycharm中创建一个.html的文件呢？

① 打开pycharm；
② 当出现下图，完成图中操作；
③ 当出现下图，任意写一个名称即可；

三步我们就创建了一个最基本的HTML网页，结构大致如下：
在这里插入图片描述

div标签

用于定义一个个不同的区块，表示在网页中划定一块儿区域，用于展示内容。因此我们可以设置该区块儿的高height和宽width。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><div style='height:100px;width:500px;border:5px;'>定义第一个区块儿</div><div style='height:500px;width:500px;border:8px;'>定义第二个区块儿</div></body></html>123456789101112123456789101112

结果展示：
在这里插入图片描述

ul、ol和li标签

ul用于定义一个无序列表，ol用于定义一个有序列表，li可以存在于ul或ol之下，每个li中代码列表中的一条数据。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div></body></html>

结果如下：
在这里插入图片描述

h标签

用于定义标题，分别从h1到h6，它们的字体分别由大到小。可以类比word中一级标题、二级标题的概念。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><h1>一级标题</h1><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><h2>二级标题</h2><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div><h3>三级标题</h3></body></html>123456789101112131415161718192021222324123456789101112131415161718192021222324

结果如下：
在这里插入图片描述

a标签

用于定义一个超链接，点击超链接可以直接跳转。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><h1>一级标题</h1><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><h2>二级标题</h2><a href='https://blog.csdn.net/weixin_41261833'>我是一个超链接</a><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div><h3>三级标题</h3></body></html>

结果如下：
在这里插入图片描述

p标签

用于定义一个段落，每个段落占一行。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><h1>一级标题</h1><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><h2>二级标题</h2><a href='https://blog.csdn.net/weixin_41261833'>我是一个超链接</a><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div><h3>三级标题</h3><p>这是定义的第一个段落</p><p>这是定义的第二个段落</p><p>这是定义的第三个段落</p></body></html>1234567891011121314151617181920212223242526272812345678910111213141516171819202122232425262728

结果如下：
在这里插入图片描述

span标签

用于定义一个行内元素，不同的span标签定义的内容，都显示在一行，方便我们为每个块儿添加不同的格式。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><body><h1>一级标题</h1><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><h2>二级标题</h2><a href='https://blog.csdn.net/weixin_41261833'>我是一个超链接</a><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div><h3>三级标题</h3><p>这是定义的第一个段落</p><p>这是定义的第二个段落</p><p>这是定义的第三个段落</p><span>这是定义的第一个行内元素。</span><span>这是定义的第二个行内元素。</span><span>这是定义的第三个行内元素。</span></body></html>

结果如下：
在这里插入图片描述

标签img

定义一张图片，其中有一个src属性用于指定图片的地址。

<!DOCTYPE html><html lang='en'><head><meta charset='UTF-8'><title>Title</title></head><img><h1>一级标题</h1><div><ul><li>无序列表中的数据①</li><li>无序列表中的数据②</li><li>无序列表中的数据③</li></ul><h2>二级标题</h2><a href='https://blog.csdn.net/weixin_41261833'>我是一个超链接</a><ol><li>有序列表中的数据①</li><li>有序列表中的数据②</li><li>有序列表中的数据③</li></ol></div><h3>三级标题</h3><p>这是定义的第一个段落</p><p>这是定义的第二个段落</p><p>这是定义的第三个段落</p><span>这是定义的第一个行内元素。</span><span>这是定义的第二个行内元素。</span><span>这是定义的第三个行内元素。</span><img src='https://i./2020/05/30/Z5XrPidptFDb2BA.jpg' alt='加载失败'></body></html>1234567891011121314151617181920212223242526272829303132333412345678910111213141516171819202122232425262728293031323334

结果如下：

好了，本文就讲述到这里。希望你看了本文以后，以后再遇到爬虫，每当看到这些标签，你就能大致知道它是什么就行。