2.4　HTML

HTML是超文本标记语言，标准通用标记语言下的一个应用。“超文本”就是指页面内可以包含图片、链接，甚至音乐、程序等非文字元素。超文本标记语言的结构包括“头”部分（Head）和“主体”部分（Body），其中“头”部分提供关于网页的信息，“主体”部分提供网页的具体内容。

爬虫开发对HTML的要求是能看懂HTML各个标签的含义，了解标签的属性作用以及整个HTML布局设计。下面来看一个简单的HTML文档的结构：

一个完整的网页必定以〈html〉〈/html〉为开头和结尾，整个HTML可分为两部分：

（1）〈head〉〈/head〉，主要是对网页的描述、图片和JavaScript的引用。〈head〉元素包含所有的头部标签元素。在〈head〉元素中可以插入脚本（scripts）、样式文件（CSS）及各种meta信息。该区域可添加的元素标签有〈title〉、〈style〉、〈meta〉、〈link〉、〈script〉、〈noscript〉和〈base〉。

（2）〈body〉〈/body〉是网页信息的主要载体。该标签下还可以包含很多类别的标签，不同的标签有不同的作用，标签以〈〉开头，以〈/〉结尾，〈〉和〈/〉之间的内容是标签的值和属性，每个标签之间可以是相互独立的，也可以是嵌套、层层递进的关系。

根据这两个组成部分就能很容易地分析整个网页的布局。其中，〈body〉〈/body〉是整个HTML的重点部分，通过示例讲述如何分析〈body〉〈/body〉：

上述例子分析如下：

（1）〈h1〉和〈div〉是两个不相关的标签，两个标签是相互独立的。

（2）〈div〉和〈p〉是嵌套关系，〈p〉的上一级标签是〈div〉。

（3）〈h1〉和〈p〉这两个标签是毫无关系的。

（4）〈h2〉标签包含一个〈p〉标签，〈p〉标签再包含一个〈a〉标签，一个标签可以包含多个标签在其中。

除上述示例的标签之外，大部分标签都可以在〈body〉〈/body〉中添加，常用的标签如表2-1所示。

表2-1　HTML常用的标签