目录
一、网页基础
使用浏览器访问网站时，我们会看到各式各样的页面。你是否思考过，网页为何会呈现出这样的形态呢？在本节中，我们将深入了解网页的基本组成、结构以及节点等方面的内容。
1.1 网页的组成
网页一般由HTML、CSS和JavaScript这三部分组成。打个比方，如果把网页看作人，HTML就相当于人的骨架，CSS如同皮肤，JavaScript则类似肌肉。只有这三部分协同工作，才能打造出一个完整的网页。下面，我们来分别讲讲这三部分各自的功能。
（1）HTML
HTML，全称Hyper Text Markup Language，也就是超文本标记语言，专门用来描述网页。网页里有文字、按钮、图片、视频等各种复杂的元素，而HTML就是这些元素的基础架构。不同的元素用不同的标签来表示，像图片用img标签，视频用video标签，段落用p标签。为了安排这些元素的位置，常使用div标签进行嵌套组合。各种标签通过不同的排列和嵌套，最终搭建成网页的框架。
以Chrome浏览器为例，打开百度后，右键点击页面，选择“检查”选项（也可以直接按F12键），就能打开开发者模式。在Elements选项卡中，我们可以看到网页的源代码。网页就是由各种各样的标签嵌套组合而成，这些标签所定义的节点元素相互嵌套，层层组合，形成复杂的层级关系，从而构建出网页架构。
（2）CSS
HTML确定了网页的结构，但是光有HTML，页面布局会很单调，只是简单地排列节点元素，不够美观。为了让网页更好看，就需要用到CSS。
CSS的全称是Cascading Style Sheets，即层叠样式表。所谓“层叠”，就是当HTML引用多个样式文件，且这些样式出现冲突时，浏览器会按照特定顺序来处理。而“样式”指的是网页中文字的大小、颜色，元素之间的间距、排列方式等格式。
CSS是目前网页排版唯一的样式标准，借助它，网页会变得更加美观。比如这段代码“#head wrapper.s-ps-islite.s-p-top{position: absolute;bottom:40px;width:100%;height: 181px;}”，大括号前面的部分是CSS选择器，它的作用是先找到id为head wrapper且class为s-ps-islite的节点，再从这个节点里找到class为s-p-top的节点。大括号里面的内容是样式规则，像position规定元素采用绝对布局，bottom设定元素的下边距为40像素，width让元素宽度占满父元素，height指定元素的高度。通常，我们会把整个网页的样式规则统一写在后缀为.css的CSS文件里。在HTML文件中，只要用link标签引入这个CSS文件，网页就能变得美观又优雅。
（3）JavaScript
JavaScript简称JS，是一种脚本语言。HTML和CSS配合，只能给用户展示静态信息，缺乏互动性。而网页上的下载进度条、提示框、轮播图等具有交互性和动画效果的部分，通常都是JavaScript的功劳。JavaScript的出现，改变了用户与网页信息的关系，不再只是单纯的浏览和显示，而是实现了实时、动态且可交互的页面功能。
JavaScript一般保存在后缀为.js的单独文件里。在HTML文件中，通过script标签就可以引入JavaScript文件，比如“<script src="jquery-2.1.0.js"></script>”。
总的来说，HTML决定了网页的内容和结构，CSS负责网页的布局，JavaScript则定义了网页的行为。
1.2 网页的结构
我们先通过一个例子来感受 HTML 的基本结构。新建一个后缀为.html 的文本文件（名称可自行设定），内容如下：
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>This is a Demo</title>
</head>
<body>
<div id="container">
<div class="wrapper">
<h2 class="title">Hello World</h2>
<p class="text">Hello,this is a paragraph.</p>
</div>
</div>
</body>
</html>上面是一个最简单的HTML示例。代码最开始的DOCTYPE声明确定了文档的类型，整个代码最外面用html标签包裹，并且有对应的结束标签来表示代码块的结束。在html标签里面，有head标签和body标签，它们分别对应网页的头部和主体部分，这两个标签也都有各自的结束标签。
在head标签里，定义了一些页面的设置和引用内容。例如，“<meta charset="UTF-8">”把网页的编码设置成了UTF - 8；title标签定义的标题会显示在浏览器的选项卡上，不会在网页正文中显示。
body标签里的内容会显示在网页的正文中。div标签用于划分网页中的区域，其中有一个div的id属性是container，id属性在网页里是唯一的，通过这个id能定位到对应的区域。在这个id为container的div里面，还有一个class属性为wrapper的div标签，class属性也是常用的，经常和CSS一起使用来设置样式。除此之外，代码里还有代表二级标题的h2标签和代表段落的p标签，它们也都有各自的class属性。
把这段代码保存为文件后，在浏览器里打开它，你会发现浏览器的选项卡上显示着“This is a Demo”，这是head标签里title标签定义的内容。而网页的正文是由body标签内的各个元素生成的，页面上会显示出二级标题和段落。
这个示例展示了网页的常见结构，也就是说，标准的网页结构是在html标签里嵌套head标签和body标签，head标签用来定义网页的设置和引用，body标签用来定义网页的正文内容。
1.3 节点树及节点间的关系
在 HTML 中，所有由标签定义的内容都是节点，它们共同构成了一个 HTML DOM 树。
DOM 是 W3C（万维网联盟）的标准，英文全称是 Document Object Model，即文档对象模型，它定义了访问 HTML 和 XML 文档的标准：W3C 文档对象模型（DOM）是中立于平台和语言的接口，允许程序和脚本动态地访问和更新文档的内容、结构和样式。
W3C DOM 标准分为 3 个不同部分：
- 核心 DOM：针对任何结构化文档的标准模型。
- XML DOM：针对 XML 文档的标准模型。
- HTML DOM：针对 HTML 文档的标准模型。
根据 W3C 的 HTML DOM 标准，HTML 文档中的所有内容都是节点：
- 整个文档是一个文档节点。
- 每个 HTML 元素是元素节点。
- HTML 元素内的文本是文本节点。
- 每个 HTML 属性是属性节点。
- 注释是注释节点。
HTML DOM 将 HTML 文档视为树结构，这种结构称为节点树。通过 HTML DOM，树中的所有节点都可以通过 JavaScript 访问，所有 HTML 节点元素都可以被修改、创建或删除。
节点树中的节点之间存在层级关系，我们常用父（parent）、子（child）和兄弟（sibling）等术语来描述这些关系。父节点拥有子节点，同级的子节点被称为兄弟节点。在节点树中，顶端节点是根（root）。除根节点外，每个节点都有父节点，同时可以拥有任意数量的子节点或兄弟节点。
1.4 选择器
我们都清楚，网页是由一个个节点构成的。CSS选择器能够依据不同节点设置不同的样式规则，那要怎么找到这些节点呢？
在CSS里，我们借助CSS选择器来定位节点。举个例子，如果一个div节点的id是container，就可以写成#container，这里“#”开头就表示按id来选，后面跟着的就是id的名字；要是想选class为wrapper的节点，就用.wrapper，“.”开头代表按class选，后面跟着的是class的名字；也能按照标签名来筛选，比如选二级标题就用h2。这是最常用的三种选法，分别是按id、class、标签名来选，得记住它们的写法。
CSS选择器还能进行嵌套选择。选择器之间用空格隔开，就表示有嵌套关系。比如#container.wrapper p，意思就是先选id为container的节点，再从里面选class为wrapper的节点，最后从这个节点里选p节点；要是选择器之间没加空格，就表示是并列关系。像div#container.wrapper p.text，就是先选id为container的div节点，接着从里面选class为wrapper的节点，再从这个节点里选class为text的p节点。
CSS 选择器的筛选功能十分强大，此外，它还有一些其他语法规则，具体如下表所示：
完整的选择器参考表：
此外，XPath 也是一种常用的选择器，后面会详细介绍。本节介绍了网页的基本结构和节点间的关系，这些知识有助于我们更清晰地解析和提取网页内容。
二、爬虫的基本原理
咱们可以把互联网当作一张巨大的网，而爬虫，也就是网络爬虫，就像是在这张网上爬来爬去的蜘蛛。把网上的一个个节点当作网页，当爬虫访问一个网页时，就如同蜘蛛爬到了对应的节点，进而获取网页的信息。节点之间的连线，就好比网页与网页之间的链接。蜘蛛爬到一个节点后，能顺着连线爬到下一个节点。同样，爬虫通过一个网页，就能获取到后续的网页，如此一来，便能爬遍整个网上的节点，抓取网站的数据。
2.1 爬虫概述
简单来说，爬虫是一种自动化程序，专门用来获取网页信息，再对信息进行提取和保存。下面为你简单介绍一下：
（1）获取网页
爬虫要做的第一件事，就是获取网页，确切地说是获取网页的源代码。因为源代码里包含着网页的一些有用信息，拿到源代码后，就能从中提取出我们需要的信息。
之前我们讲过请求和响应的概念，向网站服务器发送请求，服务器返回的响应体就是网页的源代码。这里的关键，是要构造好请求，发送给服务器，然后接收响应并进行解析。当然，没人会手动去截取网页源码，Python提供了urllib、requests等库，来帮我们完成这项工作。使用这些库，就能发起HTTP请求，请求和响应都能用库中提供的数据结构来表示。得到响应后，解析数据结构里的Body部分，就能获取网页源代码，这样就通过程序实现了获取网页的过程。
（2）提取信息
拿到网页源代码后，接下来就要对源代码进行分析，从中提取出我们需要的数据。最常用的方法是用正则表达式提取，但编写正则表达式比较复杂，还容易出错。由于网页结构有一定的规律，我们还可以借助一些基于网页节点属性、CSS选择器或XPath的库，比如BeautifulSoup、pyquery、lxml等。这些库能快速、高效地提取网页信息，像节点的属性、文本值等。提取信息是爬虫很重要的一个环节，它能让杂乱无章的数据变得有条理，方便我们后续对数据进行处理和分析。
（3）保存数据
提取完信息后，一般要把数据保存起来，方便后续使用。保存数据的方式有很多种，可以保存为TXT文本或者JSON文本，也能保存到数据库里，比如MySQL和MongoDB。还能借助SFTP，把数据保存到远程服务器上。
（4）自动化程序
爬虫是自动化程序，能代替人完成很多操作。虽说手工也能提取信息，但要是数据量很大，或者需要快速获取大量数据，那就得借助程序了。爬虫在抓取数据的过程中，能进行异常处理、错误重试等操作，保证爬取工作持续、高效地进行。
2.2 能抓怎样的数据
在网页上，我们能看到各种各样的信息。最常见的就是常规网页，这类网页对应的是HTML代码，所以HTML源代码是我们最常抓取的内容。另外，有些网页返回的不是HTML代码，而是JSON字符串，很多API接口就是这样。这种格式的数据传输和解析都很方便，同样可以抓取，而且提取数据也更轻松。网页上还有图片、视频、音频等二进制数据，利用爬虫，能把这些数据抓取下来，并保存成对应的文件名。此外，像CSS、JavaScript和配置文件等各种扩展名的文件，只要在浏览器中能访问到，爬虫也能抓取。上面提到的这些内容，都有各自对应的URL，并且基于HTTP或HTTPS协议，只要是这类数据，爬虫都能抓取。
2.3 JavaScript 渲染页面
有时，使用 urllib 或 requests 抓取网页时，得到的源代码与浏览器中看到的不一致，这是常见问题。如今，网页越来越多地采用 Ajax、前端模块化工具构建，很多网页由 JavaScript 渲染而成，原始的 HTML 代码可能只是一个空壳。例如：
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>This is a Demo</title>
</head>
<body>
<div id="container">
</div>
</body>
<script src="app.js"></script>
</html>在这个HTML页面里，body节点下仅有一个id为container的节点。但值得留意的是，在body节点后面引入了app.js文件，整个网站页面的渲染工作都由它负责。
当我们在浏览器中打开这个页面时，浏览器首先会加载HTML内容。随后，浏览器检测到页面引入了app.js文件，便会向服务器发起对该文件的请求。获取到app.js文件后，浏览器就会执行其中的JavaScript代码。这些代码会对HTML中的节点进行修改，添加相应内容，经过这一系列操作，最终形成我们看到的完整页面。
然而，当我们使用urllib或requests等库向服务器请求页面时，这些库仅仅能获取到HTML代码，并不会自动加载JavaScript文件。这就导致我们无法看到和浏览器中一样的页面内容，也就解释了为什么通过这些库获取的源代码，和浏览器中实际显示的不一样。
由此可见，使用常规的HTTP请求库获取的源代码，可能与浏览器显示的页面源代码存在差异。针对这种情况，我们有两种解决办法。一是分析网站的后台Ajax接口；二是借助Selenium、Splash等库，模拟JavaScript在浏览器中的渲染过程。后续，我们会对采集JavaScript渲染网页的方法展开详细介绍。
在本节中，我们了解了爬虫的部分基本原理，掌握这些知识，能帮助我们在后续编写爬虫程序时，进展得更加顺利 。
参考学习书籍：Python 3网络爬虫开发实战