python3 爬虫学习之html标签
python3 爬虫学习之html标签
在上一篇文章python3 爬虫学习python爬虫库-requests使用方法详细介绍中我们介绍了使用requests的使用方法
import requests # 导入requests模块
url = 'http://www.baidu.com' # 目标url地址
re = requests.get(url) # 发起请求
print(re.text) 
输出结果
我们看到，pycharm给我们输出了很多的英文代码，这个其实就是网页的源代码，也是爬虫看到的东西，我们看到的百度首页是浏览器解析之后的样子。
为了弄懂爬虫解析和提取的代码究竟是什么意思，咱们得先来学习一下html的基础知识。
标签 | 示例 | 用法 |
|---|---|---|
<html> | <html>所有网页内容</html> | <html> 元素定义了整个 HTML 文档。这个元素拥有一个开始标签 <html> ，以及一个结束标签 </html>. |
<body> | <body><p>这是第一个段落。</p></body> | <body> 元素定义了 HTML 文档的主体。这个元素拥有一个开始标签 <body>，以及一个结束标签 </body>。 |
<div> | <div>块内容</div> | 定义文档中的分区或块 |
<p> | <p>这是一个段落。</p> | <p> 元素定义了 HTML 文档中的一个段落。这个元素拥有一个开始标签 <p> 以及一个结束标签 </p>. |
<span> | <span></span> | 定义 span，用来组合文档中的行内元素。 |
<a> | <a href="https://www.baidu.com">这是一个链接</a> | a标签用来放链接 |
<img/> | <img src="/images/logo.png" width="100" height="100" /> | 图片标签是一个自闭标签，没有结束标签 |
<h1> | <h1>这是一个标题</h1> | 标题（Heading）是通过<h1> - <h6> 标签来定义的 |
... | ... | ... |
<h6> | <h6>这是第六级标题</h6> | 标题（Heading）是通过<h1> - <h6> 标签来定义的 |
HTML 标签语法
HTML标签以开始标签起始（不带斜杠的为开始标签：<html>）HTML标签以结束标签终止（带斜杠的为结束标签：</html>）- 标签的内容是开始标签与结束标签之间的内容
- 某些
HTML标签具有空内容（empty content） - 空标签在开始标签中进行关闭（以开始标签的结束而结束）
- 大多数 HTML 标签可拥有属性
HTML 标签嵌套示例
<!DOCTYPE html>
<html>
<body>
<h1>这是一个标题</h1>
<p>这是第一个段落。</p>
</body>
</html>HTML 自闭标签
标签 | 介绍 |
|---|---|
<br/> | 表示换行。 |
<hr/> | 表示画一条线。 |
<area/> | 标签定义图像映射中的区域(注:图像映射指得是带有可点击区域的图像)。area 元素总是嵌套在 <map> 标签中。 |
<base/> | 标签为页面上的所有链接规定默认地址或默认目标。 |
<img/> | 放入图片。 |
<input/> | 用户输入的标签。 |
<link/> | 标签定义文档与外部资源的关系。 标签最常见的用途是链接样式表。 |
<meta/> | 元素可提供有关页面的元信息（meta-information），比如针对搜索引擎和更新频度的描述和关键词。标签位于文档的头部，不包含任何内容。<meta> 标签的属性定义了与文档相关联的名称/值对。 |
<basefont/> | 标签定义基准字体。该标签可以为文档中的所有文本定义默认字体颜色、字体大小和字体系列。 |
<param/> | 元素允许您为插入 XHTML 文档的对象规定 run-time 设置。 |
<col/> | 为表格中一个或多个列定义属性值。 |
<frame/> | 定义frameset中的一个特定的窗口。 |
<embed/> | 可以在页面中嵌入任何类型的文档。 |
<keygen/> | 标签规定用于表单的密钥对生成器字段。当提交表单时，私钥存储在本地，公钥发送到服务器。 |
<source/> | 为媒介元素，定义媒介资源。 |
<command/> | 元素表示用户能够调用的命令。标签可以定义命令按钮，比如单选按钮、复选框或按钮。只有当 command 元素位于 menu 元素内时，该元素才是可见的。否则不会显示这个元素，但是可以用它规定键盘快捷键。 |
<track/> | 标签为诸如 video 元素之类的媒介规定外部文本轨道。用于规定字幕文件或其他包含文本的文件，当媒介播放时，这些文件是可见的。 |
<wbr/> | 规定在文本中的何处适合添加换行符。如果单词太长，或者您担心浏览器会在错误的位置换行，那么您可以使用 <wbr> 元素来添加 Word Break Opportunity（单词换行时机）。 |