2.4　HTML

HTML是超文本標記語言，標準通用標記語言下的一個應用。“超文本”就是指頁面內可以包含圖片、鏈接，甚至音樂、程序等非文字元素。超文本標記語言的結構包括“頭”部分（Head）和“主體”部分（Body），其中“頭”部分提供關于網頁的信息，“主體”部分提供網頁的具體內容。

爬蟲開發對HTML的要求是能看懂HTML各個標簽的含義，了解標簽的屬性作用以及整個HTML布局設計。下面來看一個簡單的HTML文檔的結構：

一個完整的網頁必定以〈html〉〈/html〉為開頭和結尾，整個HTML可分為兩部分：

（1）〈head〉〈/head〉，主要是對網頁的描述、圖片和JavaScript的引用。〈head〉元素包含所有的頭部標簽元素。在〈head〉元素中可以插入腳本（scripts）、樣式文件（CSS）及各種meta信息。該區域可添加的元素標簽有〈title〉、〈style〉、〈meta〉、〈link〉、〈script〉、〈noscript〉和〈base〉。

（2）〈body〉〈/body〉是網頁信息的主要載體。該標簽下還可以包含很多類別的標簽，不同的標簽有不同的作用，標簽以〈〉開頭，以〈/〉結尾，〈〉和〈/〉之間的內容是標簽的值和屬性，每個標簽之間可以是相互獨立的，也可以是嵌套、層層遞進的關系。

根據這兩個組成部分就能很容易地分析整個網頁的布局。其中，〈body〉〈/body〉是整個HTML的重點部分，通過示例講述如何分析〈body〉〈/body〉：

上述例子分析如下：

（1）〈h1〉和〈div〉是兩個不相關的標簽，兩個標簽是相互獨立的。

（2）〈div〉和〈p〉是嵌套關系，〈p〉的上一級標簽是〈div〉。

（3）〈h1〉和〈p〉這兩個標簽是毫無關系的。

（4）〈h2〉標簽包含一個〈p〉標簽，〈p〉標簽再包含一個〈a〉標簽，一個標簽可以包含多個標簽在其中。

除上述示例的標簽之外，大部分標簽都可以在〈body〉〈/body〉中添加，常用的標簽如表2-1所示。