最好学习一下,不要求熟悉,但必须要会,大家爬虫所爬取的网页数据大部分都会直接或间接嵌套在html标签或属性中,如果你对html一点都不了解,也就无从谈及数据的解析和提取,下面偶简单介绍一下python爬虫的学习过程,感兴趣的朋友可以尝试一下:
基础html知识
这个是最基本也是必须的,首先,学习网络爬虫,你就需要学习html知识,网页是用html写的,数据自然也会嵌套在其中,无非就是某一个标签或属性,如果你对html一点都不了解,也就无从谈及解析规则的编写,数据也就无从提取,不要求多么熟悉、精通html,但基本的标签、属性必须要能看懂,如果你没有这方面基础的话,建议学习一下,初学入门html,也主要以记忆为主,很快就能掌握:
基本爬虫库
基础的html知识掌握后,就是网络爬虫的编写,这里可以从一些简单易用、容易上手的爬虫库开始,比较常见的就是urllib、requests、beautifulsoup、lxml,官方教程非常详细,先获取网页数据,然后再编写解析规则提取即可,对于大部分静态网页来说,都可以轻松爬取,动态网页数据的提取可能需要抓包分析(数据不会直接在网页源码中看到),但基本原理类似,也是先获取数据,然后再解析提取:
专业爬虫框架
基本爬虫库熟悉后,大部分网页数据都可以爬取,但需要反复造轮子,效率不高,也不易于后期维护和扩展,这里可以学习一下专业强大的爬虫框架,python来说,比较受欢迎、也比较流行的就是scrapy,框架成熟、稳定,可扩展性强,只需编写少量代码即可快速开启一个爬虫程序,初学入门来说也非常友好,官方文档丰富,社区活跃,资料齐全,各个模块组件都是独立开源的,后期研究学习也非常不错:
总之,python爬虫对html要求不高,但必须要了解,能看懂基本的网页结构、标签和属性,后期才能编写具体的解析规则提取数据,建议多看多练,熟悉一下scrapy框架的使用,网上也有相关教程和资料,介绍的非常详细,感兴趣的话,可以搜一下,希望以上分享的内容能对你有所帮助吧,也欢迎大家评论、留言进行补充。
因为某些符号代表着一些特殊意义,例如<代表着一个标签的开始。例如:在HTML中插入script标签,再往里面写入一些JS的话,这个页面就能执行这段JS了。
还有一个原因,例如偶想在页面中输入<div>,不用实体是显示不出来的,并且页面会变乱了,因为<div>会被当作HTML代码执行,多了一个<div>页面的嵌套就乱了。
实体的类型:
实体分实体编号,和实体名称。
实体编号:<。
实体名称:<。
但是还是建议大家使用实体编号,因为实体名称在IE6这样的浏览器中兼容性不是特别好。