HTML结构
HTML（HyperText Markup Language）是构建网页的基础语言。它通过标签（Tags）来定义网页的结构和内容。HTML文档的基本结构如下：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Document</title>
</head>
<body>
<h1>这是标题</h1>
<p>这是一个段落。</p>
<a href="http://example.com">这是一个链接</a>
</body>
</html>基本标签介绍:
<!DOCTYPE html>: 声明文档类型，告诉浏览器这是一个HTML5文档。<html>: HTML文档的根元素，表示整个HTML文档。<head>: 包含页面的元数据，如编码、标题、样式等。<meta charset="UTF-8">: 声明文档的字符编码为UTF-8。<title>: 设置网页的标题，显示在浏览器标签页上。<body>: 包含网页的可见内容。<h1>: 一级标题，用于定义重要的标题。<p>: 段落，用于定义文本段落。<a>: 超链接，用于创建链接。
其他常用标签:
<h1>-<h6>: 标题标签，<h1>表示最高级别的标题，<h6>表示最低级别的标题。<div>: 区块元素，用于定义文档中的分区或节。<span>: 内联元素，用于对文档中的一部分文本进行分组。<ul>: 无序列表，用于定义项目符号列表。<ol>: 有序列表，用于定义编号列表。<li>: 列表项，用于定义列表中的项。<img>: 图像标签，用于嵌入图像。<table>: 表格标签，用于创建表格结构。
CSS选择器
CSS（Cascading Style Sheets）用于控制HTML文档的样式。选择器是CSS中用于选取元素的模式。常见的CSS选择器包括：
- 标签选择器: 选取指定标签的所有元素。
p {
color: blue;
}- 类选择器: 选取具有指定类属性的所有元素，类名以
.开头。
.example {
font-size: 16px;
}- ID选择器: 选取具有指定ID属性的元素，ID名以
#开头。
#header {
background-color: gray;
}- 属性选择器: 选取具有指定属性的元素。
[type="text"] {
border: 1px solid black;
}- 后代选择器: 选取某元素内的所有指定子元素。
div p {
color: red;
}其他常用选择器:
- 群组选择器: 选取所有符合选择器的元素。
h1, h2, h3 {
font-family: Arial, sans-serif;
}- 子元素选择器: 选取作为某元素直接子元素的所有指定元素。
ul > li {
list-style-type: square;
}- 伪类选择器: 选取处于特定状态的元素。
a:hover {
color: green;
}- 伪元素选择器: 选取元素的某部分内容。
p::first-line {
font-weight: bold;
}使用BeautifulSoup解析HTML
BeautifulSoup是一个用于解析HTML和XML文档的Python库。我们可以使用BeautifulSoup轻松地从网页中提取数据。
步骤1：安装BeautifulSoup
pip install beautifulsoup4步骤2：编写解析HTML的代码
from bs4 import BeautifulSoup
# 示例HTML
html_doc = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Example Page</title>
</head>
<body>
<h1>Example Header</h1>
<p class="description">This is a description paragraph.</p>
<a href="http://example.com" id="example-link">Example Link</a>
</body>
</html>
"""
# 创建BeautifulSoup对象
soup = BeautifulSoup(html_doc, 'html.parser')
# 提取标题
title = soup.title.string
print(f"页面标题: {title}")
# 提取一级标题
header = soup.h1.string
print(f"一级标题: {header}")
# 提取段落内容
description = soup.find('p', class_='description').string
print(f"段落描述: {description}")
# 提取链接
link = soup.find('a', id='example-link')['href']
print(f"链接地址: {link}")代码解释:
- 创建BeautifulSoup对象: 使用BeautifulSoup解析HTML文档。
soup = BeautifulSoup(html_doc, 'html.parser')- 提取标题: 使用
soup.title.string提取文档的标题。
title = soup.title.string
print(f"页面标题: {title}")- 提取一级标题: 使用
soup.h1.string提取一级标题内容。
header = soup.h1.string
print(f"一级标题: {header}")- 提取段落内容: 使用
soup.find方法结合标签名和类名提取段落内容。
description = soup.find('p', class_='description').string
print(f"段落描述: {description}")- 提取链接: 使用
soup.find方法结合标签名和ID提取链接地址。
link = soup.find('a', id='example-link')['href']
print(f"链接地址: {link}")BeautifulSoup常用方法
- find(): 返回第一个符合条件的元素。
soup.find('a')- find_all(): 返回所有符合条件的元素列表。
soup.find_all('a')- select(): 使用CSS选择器选取元素。
soup.select('a[href]')- get_text(): 获取元素的文本内容。
soup.get_text()示例解析复杂HTML
假设我们有一个更复杂的HTML文档：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Sample Page</title>
</head>
<body>
<div id="content">
<h1>Sample Header</h1>
<p class="description">This is a sample description.</p>
<div class="links">
<a href="http://example1.com" class="external">Link 1</a>
<a href="http://example2.com" class="external">Link 2</a>
</div>
</div>
</body>
</html>我们可以编写以下代码来解析这个文档：
from bs4 import BeautifulSoup
# 示例HTML
html_doc = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Sample Page</title>
</head>
<body>
<div id="content">
<h1>Sample Header</h1>
<p class="description">This is a sample description.</p>
<div class="links">
<a href="http://example1.com" class="external">Link 1</a>
<a href="http://example2.com" class="external">Link 2</a>
</div>
</div>
</body>
</html>
"""
# 创建BeautifulSoup对象
soup = BeautifulSoup(html_doc, 'html.parser')
# 提取标题
title = soup.title.string
print(f"页面标题: {title}")
# 提取一级标题
header = soup.find('h1').string
print(f"一级标题: {header}")
# 提取段落内容
description = soup.find('p', class_='description').string
print(f"段落描述: {description}")
# 提取所有链接
links = soup.find_all('a', class_='external')
for link in links:
href = link['href']
text = link.string
print(f"链接文本: {text}, 链接地址: {href}")代码解释:
- 提取所有链接: 使用
soup.find_all('a', class_='external')提取所有带有class="external"的链接。 - 遍历链接: 遍历提取到的链接，获取链接文本和地址。
结论
本文详细介绍了HTML的基本结构和常见标签，解释了CSS选择器的作用和使用方法，并通过示例展示了如何使用BeautifulSoup解析HTML并提取数据。这些基础知识将帮助初学者理解和编写爬虫。在下一篇文章中，我们将进一步探讨处理复杂网页的方法。
