您的位置：首页 > 编程语言 > Python开发

Python爬虫开发与项目实战 2：Web前端基础

2018-01-04 21:38 1021 查看

2.1 W3C标准

网页主要由三部分组成：结构、表现和行为

对应的标准也分三方面：

结构化标准语言：XHTML和XML

表现标准语言：CSS

行为标准：对象模型（DOM）、ECMAScript等

HTML：浏览器通过标记来解释页面的内容。

特点包括：

可以设置文本的格式，比如标题、字号、文本颜色、段落，等等。
可以创建列表
可以插入图像和媒体
可以建立表格
超链接

HTML的基本结构：

<html>: 文档标记

<head>: 头信息开始标记。用来包含文件的基本信息，比如网页的标题、关键字

<title>: 标题标记

<meta>：页面的元信息，提供有关页面的元信息，比如针对搜索引擎和更新频度的描述和关键词

<body>：网页的主体部分

<br>: 强制换行标记

<p>：换段落标记

<center>：居中对齐标记

<pre>：预格式化标记，常用来定义计算机源代码

<li>：列表项目标记

<ul>：无序列表标记，声明这个列表没有序号

<ol>：有序列表

<dl><dt><dd>：定义型列表，对列表条目进行简短说明

<hr>：水平分割线标记

<div>：分区显示标记，也称为层标记，常用来编排一大段的HTML段落，也可用于将表格式化

<img>：图像标记

<a>：超链接

表格：包括<table>,<caption>,<tr>,<td>和<th>等标记

CSS（Cascading Style Sheets）层叠样式表，用来定义如何显示HTML元素，目的是为了解决内容与表现分离的问题，在HTML中一般有三种做法：

内联样式表：CSS代码直接写在现有的HTML标记中，使用style属性改变样式<body style=""> </body>
嵌入式样式表：CSS样式写在<style type="text/css"> </style>标记之间，一般情况下嵌入式CSS样式写在<head> </head>之间
外部样式表：CSS代码写一个单独的外部文件中，.css文件，使用<link>标记将CSS样式文件链接到HTML文件内，如<link rel="StyleSheet" type="text/css" href="style.css">

CSS规则有两个主要的部分构成：

选择器：需要改变样式的HTML元素

声明：有一个属性和一个值组成

根据选择器的定义方式，可以将样式表的定义分成三种方式：

HTML标记定义：<p> </p>样式

ID选择器定义：特定ID的HTML元素指定特定的样式

class选择器定义：用于描述一组元素的样式

常见的属性：

颜色属性：

字体属性：

背景属性：

文本属性：

列表：

JavaScript:是一种轻量级的脚本语言，有两种使用方法：

1）直接插入代码：在<script> </script>标记中编写代码，通常放在<head>中

2）外部引用js文件，<script> src='url'></script>的方式来引入

基本语法：严格区分大小写，

数据类型和变量：Number类型（整数和浮点数），字符串类型（单引号或双引号）、布尔值类型、数组类型、对象类型（由键值组成的无序集合，将都是字符串类型，值可以是人员数据类型）

运算符和操作符：

条件判断：

循环：for循环，和while循环

函数：使用function 关键字

XPath：一门在XML文档中查找信息的语言，通过元素和属性进行导航。XPath虽然是被设计用来搜寻XML文档，不过它也能很好地在HTML文档中工作，并且大部分浏览器也支持通过XPath来查询节点。

XPath节点：

有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。

节点关系：父，子，同胞，先辈，后代

XPath语法：使用路径表达式来选取XML文档中的节点或节点集

XPath轴：轴定义了所选节点与当前节点之间的树关系。提取网页中的信息会遇到这种情况：首先提取到一个节点的信息，然后想在这个节点的基础上提取它的子节点或者父节点，这时候就会用到轴的概念。

实例分析：

<?xml version="1.0" encoding="ISO-8859-1"?>
<classroom>
<student>
<id>1001</id>
<name lang="en">marry</name>
<age>20</age>
<country>China</country>
</student>
<student>
<id>1002</id>
<name lang="en">jack</name>
<age>25</age>
<country>USA</country>
</student>
<teacher>
<classid>1</classid>
<name lang="en">tom</name>
<age>50</age>
<country>USA</country>
</teacher>
</classroom>
XPath运算符

JSON：JavaScript对象表示法（JavaScript Object Notation），用于存储和交换文本信息。

JSON名称/值对、JSON值、JSON对象（字典）、JSON数组（{"reader": [ {}, {} ] }）

2.2 HTTP标准

HTTP协议：用于从WWW服务器传输超文本到本地浏览器的传送协议。它可以使浏览器更加高效，减少网络传输。它不仅保证计算机正确快速地传输超文本文档，还确定传输文档中的哪一部分，以及哪部分内容首先显示（如文本先于图形）等

HTTP请求过程：请求响应模型，永远是客户端发起请求，服务器回送响应。

HTTP协议是一个无状态的协议，同一个客户端的这次请求和上次请求没有对应关系。一次HTTP操作称为一个事务，分四步：

首先客户端与服务器需要建立链接
建立连接后，客户端发送一个请求给服务器，格式为：统一资源标识符（ URL）、协议版本号，后边是MIME信息，包括请求修饰符、客户机信息和可能的内容。
服务器接到请求后，给于响应的响应信息，其格式为一个状态行，包括信息的协议版本号、一个成功或错误的代码，后边是MIME信息，包括服务器信息、实体信息和可能的内容。
客户端接收服务器所返回的信息，通过浏览器将信息显示在用户的显示屏上，然后客户端与服务器断开链接

　　HTTP状态码含义：在浏览器接收并显示网页前，此网页所在的服务器会返回一个包含HTTP状态码的信息头用以响应浏览器的请求。为了标识此次HTTP请求的运行状态。

常用的HTTP状态码：

200-----请求成功
301-----资源（网页等）被永久转移到其他URL
404-----请求的资源（网页等）不存在
500-----内部服务器错误。

HTTP头部信息：由众多的头域组成，每个头域有一个域名、冒号（：）和域值三部分组成。

Cookie状态管理：Cookie和Session都用来保存状态信息，为了解决HTTP无状态的问题所做的努力。对于爬虫，更加关注的是Cookie，因为Cookie将状态保存在客户端，Session将状态保存在服务端。

Cookie，服务器HTTP头向客户端发送Cookie，浏览器会解析这些Cookie并将它们保存为一个本体文件，它会自动将同一服务器的任何请求绑定上这些Cookie。

Cookie的工作方式：服务器给每个Session分配一个唯一的JSESSIONID，并通过Cookie发送给客户端。当客户端发起新的请求的时候，将在Cookie头中携带这个JSESSIONID。这样服务器能够找到这个客户端对应的Session，流程如下

HTTP请求方式：包括GET, POST, HEAD, PUT, DELETE, OPTIONS

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航