摘要：，簡稱為，是一種腳本語言，和配合使用，提供給用戶的只是一種靜態(tài)的信息，缺少交互性。這就是網(wǎng)頁的三大基本組成。父節(jié)點擁有子節(jié)點，同級的子節(jié)點被稱為兄弟節(jié)點。選擇屬于其父節(jié)點的首個節(jié)點的每個節(jié)點。同上，從最后一個

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---15、爬蟲基礎(chǔ)：HTTP基本原理
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---17、爬蟲基本原理

我們平時用瀏覽器訪問網(wǎng)站的時候，一個個站點形形色色，頁面也各不相同，但有沒有想過它是為何才能呈現(xiàn)出這個樣子的？
那么本節(jié)我們就來了解一下網(wǎng)頁的基本組成、結(jié)構(gòu)、節(jié)點等內(nèi)容。

網(wǎng)頁可以分為三大部分，HTML、CSS、JavaScript，我們把網(wǎng)頁比作一個人的話，HTML 相當于骨架，JavaScript 則相當于肌肉，CSS 則相當于皮膚，三者結(jié)合起來才能形成一個完善的網(wǎng)頁，下面我們分別來介紹一下三部分的功能。

HTML 是用來描述網(wǎng)頁的一種語言，其全稱叫做 Hyper Text Markup Language，即超文本標記語言。網(wǎng)頁包括文字、按鈕、圖片、視頻等各種復(fù)雜的元素，其基礎(chǔ)架構(gòu)就是 HTML。不同類型的文字通過不同類型的標簽來表示，如圖片用 img 標簽表示，視頻用 video 標簽來表示，段落用 p 標簽來表示，它們之間的布局又常通過布局標簽 div 嵌套組合而成，各種標簽通過不同的排列和嵌套才形成了網(wǎng)頁的框架。
我們在 Chrome 瀏覽器中打開百度，右鍵單擊審查元素或按 F12 打開開發(fā)者模式，切換到 Elements 選項卡即可看到網(wǎng)頁的源代碼，如圖 2-10 所示：

圖 2-10 源代碼
這就是 HTML，整個網(wǎng)頁就是由各種不同的標簽嵌套組合而成的，這些不同標簽定義的節(jié)點元素相互嵌套和組合形成了復(fù)雜的層次關(guān)系，就形成了網(wǎng)頁的架構(gòu)。

HTML 定義了網(wǎng)頁的結(jié)構(gòu)，但是只有 HTML 頁面的布局會不美觀，可能只是簡單的節(jié)點元素的排列，那么為了讓網(wǎng)頁看起來更好看一點，在這里就借助于 CSS。
CSS，全稱叫做 Cascading Style Sheets，即層疊樣式表?！皩盈B”是指當在 HTML 中引用了數(shù)個樣式文件，并且樣式發(fā)生沖突時，瀏覽器能依據(jù)層疊順序處理。“樣式”指網(wǎng)頁中文字大小、顏色、元素間距、排列等格式。
CSS是目前唯一的網(wǎng)頁頁面排版樣式標準，有了它的幫助，頁面才會變得更為美觀。
在上圖的右側(cè)即為 CSS，例如：

#head_wrapper.s-ps-islite .s-p-top {
??? position: absolute;
??? bottom: 40px;
??? width: 100%;
??? height: 181px;
}

這就是一個 CSS 樣式，在大括號前面是一個 CSS 選擇器，此選擇器的意思是選中 id 為 head_wrapper 且 class 為 s-ps-islite 內(nèi)部的 class 為 s-p-top 的元素。大括號內(nèi)部寫的就是一條條樣式規(guī)則，例如 position 指定了這個元素的布局方式為絕對布局，bottom 指定元素的下邊距為 40 像素，width 指定了寬度為 100% 占滿父元素，height 則指定了元素的高度。也就是說我們將一些位置、寬度、高度等樣式配置統(tǒng)一寫成這樣的形式，大括號括起來，然后開頭再加上一個 CSS 選擇器，就代表這一個樣式對 CSS 選擇器選中的元素生效，這樣元素就會根據(jù)此樣式來展示了。
所以在網(wǎng)頁中，一般會統(tǒng)一定義整個網(wǎng)頁的樣式規(guī)則，寫入到 CSS 文件，其后綴名為 css，在 HTML 中只需要用 link 標簽即可引入寫好的 CSS 文件，這樣整個頁面就會變得美觀優(yōu)雅。

JavaScript，簡稱為 JS，是一種腳本語言，HTML 和 CSS 配合使用，提供給用戶的只是一種靜態(tài)的信息，缺少交互性。我們在網(wǎng)頁里可能會看到一些交互和動畫效果，如下載進度條、提示框、輪播圖等，這通常就是 JavaScript 的功勞。它的出現(xiàn)使得用戶與信息之間不只是一種瀏覽與顯示的關(guān)系，而是實現(xiàn)了一種實時、動態(tài)、交互的頁面功能。
JavaScript 通常也是以多帶帶的文件形式加載的，后綴名為 js，在 HTML 中通過 script 標簽即可引入。
例如：

因此綜上所屬，HTML 定義了網(wǎng)頁的內(nèi)容和結(jié)構(gòu)，CSS 描述了網(wǎng)頁的布局，JavaScript 定義了網(wǎng)頁的行為。
這就是網(wǎng)頁的三大基本組成。

我們首先用一個例子來感受一下 HTML 的基本結(jié)構(gòu)。新建一個文本文件，名稱可以自取，后綴名為 html，內(nèi)容如下：

    
        
        
    
    
        

            

                
Hello World
                
Hello, this is a paragraph.
            
        
    

這就是一個最簡單的 HTML 實例，開頭是 DOCTYPE 定義了文檔類型，其次最外層是 html 標簽，最后還有對應(yīng)的結(jié)尾代表標簽閉合，其內(nèi)部是 head 標簽和 body 標簽，分別代表網(wǎng)頁頭和網(wǎng)頁體，它們也分別需要尾標簽表示閉合。head 標簽內(nèi)定義了一些頁面的配置和引用，如：

它指定了網(wǎng)頁的編碼為 UTF-8。
title 標簽則定義了網(wǎng)頁的標題，會顯示在網(wǎng)頁的選項卡中，不會顯示在網(wǎng)頁的正文中。body 標簽內(nèi)則是在網(wǎng)頁正文中顯示的內(nèi)容，div 標簽定義了網(wǎng)頁中的區(qū)塊，它的 id 是 container，這是一個非常常用的屬性，且 id 的內(nèi)容在網(wǎng)頁中是唯一的，我們可以通過 id 來取到這個區(qū)塊。然后在此區(qū)塊內(nèi)又有一個 div 標簽，它的 class 為 wrapper，這也是一個非常常用的屬性，經(jīng)常與 CSS 配合使用來設(shè)定樣式。然后此區(qū)塊內(nèi)部又有一個 h2 標簽，這代表一個二級標題，另外還有一個 p 標簽，這代表一個段落，它們二者內(nèi)部直接寫入相應(yīng)的內(nèi)容即可在網(wǎng)頁重呈現(xiàn)出來，它們也有各自的 class 屬性。
我們將代碼保存之后在瀏覽器中打開該文件，可以看到如下內(nèi)容，如圖 2-11 所示：

圖 2-11 運行結(jié)果
可以看到在選項卡上顯示了 This is a Demo 字樣，這是我們在 head 里面的 title 里定義的文字，它顯示在了網(wǎng)頁選項卡里。而網(wǎng)頁正文是 body 標簽內(nèi)部定義的各個元素生成的，圖中可以看到網(wǎng)頁中顯示了二級標題和段落。
如上實例便是網(wǎng)頁的一般結(jié)構(gòu)，一個網(wǎng)頁標準形式都是 html 標簽內(nèi)嵌套 head 和 body 標簽，head 內(nèi)定義網(wǎng)頁的配置和引用，body 內(nèi)定義網(wǎng)頁的正文。

在 HTML 中，所有標簽定義的內(nèi)容都是節(jié)點，它們構(gòu)成了一個 HTML DOM 樹。
我們先看下什么是 DOM，DOM 是 W3C（萬維網(wǎng)聯(lián)盟）的標準。
DOM，英文全稱 Document Object Model，即文檔對象模型。它定義了訪問 HTML 和 XML 文檔的標準：

W3C 文檔對象模型 （DOM） 是中立于平臺和語言的接口，它允許程序和腳本動態(tài)地訪問和更新文檔的內(nèi)容、結(jié)構(gòu)和樣式。

W3C DOM 標準被分為 3 個不同的部分：

核心 DOM - 針對任何結(jié)構(gòu)化文檔的標準模型

XML DOM - 針對 XML 文檔的標準模型

HTML DOM - 針對 HTML 文檔的標準模型

根據(jù) W3C 的 HTML DOM 標準，HTML 文檔中的所有內(nèi)容都是節(jié)點：

整個文檔是一個文檔節(jié)點

每個 HTML 元素是元素節(jié)點

HTML 元素內(nèi)的文本是文本節(jié)點

每個 HTML 屬性是屬性節(jié)點注釋是

注釋節(jié)點HTML

DOM 將 HTML 文檔視作樹結(jié)構(gòu)，這種結(jié)構(gòu)被稱為節(jié)點樹，如圖 2-12 所示：

圖 2-12 節(jié)點樹
通過 HTML DOM，樹中的所有節(jié)點均可通過 JavaScript 進行訪問，所有 HTML 節(jié)點元素均可被修改，也可以被創(chuàng)建或刪除。
節(jié)點樹中的節(jié)點彼此擁有層級關(guān)系。我們常用 parent（父）、child（子）和 sibling（兄弟）等術(shù)語用于描述這些關(guān)系。父節(jié)點擁有子節(jié)點，同級的子節(jié)點被稱為兄弟節(jié)點。
在節(jié)點樹中，頂端節(jié)點被稱為根（root），除了根節(jié)點之外每個節(jié)點都有父節(jié)點，同時可擁有任意數(shù)量的子節(jié)點或兄弟節(jié)點。
圖 2-13 展示了節(jié)點樹以及節(jié)點之間的關(guān)系：

圖 2-13 節(jié)點樹及節(jié)點關(guān)系
本段參考 W3SCHOOL，鏈接：http://www.w3school.com.cn/ht...。

我們知道網(wǎng)頁由一個個節(jié)點組成，CSS 選擇器會根據(jù)不同的節(jié)點設(shè)置不同的樣式規(guī)則，那么我們怎樣來定義是哪些節(jié)點呢？
在 CSS 中是使用了 CSS 選擇器來定位節(jié)點的，例如上例中有個 div 節(jié)點的 id 為 container，那么我們就可以用 CSS 選擇器表示為 #container，# 開頭代表選擇 id，其后緊跟 id 的名稱。另外如果我們想選擇 class 為 wrapper 的節(jié)點，便可以使用 .wrapper，. 開頭代表選擇 class，其后緊跟 class 的名稱。另外還有一種選擇方式是根據(jù)標簽名篩選，例如我們想選擇二級標題，直接用 h2 即可選擇。如上是最常用的三種選擇表示，分別是根據(jù) id、class、標簽名篩選，請牢記它們的寫法。
另外 CSS 選擇器還支持嵌套選擇，各個選擇器之間加上空格分隔開便可以代表嵌套關(guān)系，如 #container .wrapper p 則代表選擇 id 為 container 內(nèi)部的 class 為 wrapper 內(nèi)部的 p 節(jié)點。另外如果不加空格則代表并列關(guān)系，如 div#container .wrapper p.text 代表選擇 id 為 container 的 div 節(jié)點內(nèi)部的 class 為 wrapper 節(jié)點內(nèi)部的 class 為 text 的 p 節(jié)點。這就是 CSS 選擇器，其篩選功能還是非常強大的。
另外 CSS 選擇器還有一些其他的語法規(guī)則，在這里整理如下：

另外還有一種比較常用的選擇器是 XPath，此種選擇方式在后文會詳細介紹。

本節(jié)介紹了網(wǎng)頁的基本結(jié)構(gòu)和節(jié)點關(guān)系，了解了這些內(nèi)容我們才有更加清晰的思路去解析和提取網(wǎng)頁內(nèi)容。

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---15、爬蟲基礎(chǔ)：HTTP基本原理
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)---17、爬蟲基本原理