温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

python爬取准备一 了解HTML

发布时间:2020-08-30 21:00:06 来源:网络 阅读:308 作者:萨瓦迪迪卡 栏目:系统运维

网页源码

打开网页,按快捷键【Ctrl+U】打开源码页面
python爬取准备一 了解HTML

HTML
HTML 是整个网页的结构,相当于整个网站的框架。带“<”、“>”符号的都是属于 HTML 的标签,并且标签都是成对出现的

常见的标签如下:

<html>..</html> 表示标记中间的元素是网页
<body>..</body> 表示用户可见的内容
<div>..</div> 表示框架
<p>..</p> 表示段落
<li>..</li>表示列表
<img>..</img>表示图片
<h2>..</h2>表示标题
<a href="">..</a>表示超链接

HTML
html示例
本地超链接可以为相对路径,也可以为绝对路径。
图片的地址可以为相对路径,也可以为绝对路径。

    <html>
    <head>
          <title>这是HTML测试页面的主题</title>
    </head>
    <body>
          <div>   
              <h2>这是标题</h2>   
              <p>这是正文</p>   
          </div> 
          <div>    
              <ul>     
                  <li>这是一个列表</li>       
                  <li><a href='https://www.dytt8.net/index0.html'>这是一个网络超链接</a></li>
                  <li><a href='1.html'>这是一个本地超链接</a></li>      
                  <li>下面这个是一张图片</li>           
                  <img src="20120830173930_PBfJE.jpeg" alt="如果图像无法显示,将显示这个" />           
              </ul>        
         </div>      
    </body>
    </html>

输入代码后,保存记事本,然后修改文件名和后缀名为"HTML.html",效果如下:

python爬取准备一 了解HTML

爬虫的合法性

每一个网站都有一个名为 robots.txt 的文档,当然也有部分网站没有设定 robots.txt。对于没有设定 robots.txt 的网站可以通过网络爬虫获取没有口令加密的数据,也就是该网站所有页面数据都可以爬取。如果网站有 robots.txt 文档,就要判断是否有禁止访客获取的数据。

python爬取准备一 了解HTML

允许部分爬虫访问它的部分路径,而对于没有得到允许的,则全部禁止爬取

向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI