深度网页抓取 本教程旨在深入研究Web抓取的实践,特别是在理解网页的不同元素方面,以便您了解如何自行编写更复杂的抓取脚本。 网页是使用基于文本的标记语言(例如HTML(或“超文本标记语言”))构建的,并且经常包含大量文本形式的数据。 由于大多数网页都是供最终用户阅读的,而不是供程序自动提取的,因此需要专门的脚本来简化网页的抓取。 在下面的练习中,我们将从单个网页中抓取元素。 大多数人通过复制粘贴或单击要下载的内容来完成此操作。 首先,编写代码来做到这一点似乎很愚蠢,但是从小处着手并了解基本知识很重要。 完成此操作后,下一个教程将把这些相同的概念应用于一次抓取多个网页,并立即获取需要很长时间才能完成的信息。 熟悉网页的三个基本组件非常方便,因为您将在深入研究网站的同时浏览它们。 从广义上讲,网站的基本知识包括: :HTML是几乎所有Web内容的核心语言。 它为网页设置规则并赋予其结