Web网页基础

用浏览器访问不同的网站时，呈现的页面各不相同，你有没有想过为何会这样呢？本节我们就来了解一下网页的组成、结构和节点等内容。

网页的组成

网页可以分为三大部分——HTML、CSS 和 JavaScript。如果把网页比作一个人，那么 HTML 相当于骨架、JavaScript 相当于肌肉、CSS 相当于皮肤，这三者结合起来才能形成一个完善的网页。下面我们分别介绍一下这三部分的功能。

HTML

HTML（HypertextMarkupLanguage）中文翻译为超文本标记语言，但我们通常不会用中文翻译来称呼它，一般就叫 HTML。

HTML 是一种用来描述网页的语言。网页包括文字、按钮、图片和视频等各种复杂的元素，其基础架构就是 HTML。网页通过不同类型的标签来表示不同类型的元素，如用img标签表示图片、用 video 标签表示视频、用p标签表示段落，这些标签之间的布局常由布局标签 div 嵌套组合而成，各种标签通过不同的排列和嵌套形成最终的网页框架。

那 HTML 长什么样子呢？我们可以随意打开一个网站，比如淘宝网首页，然后单击鼠标右键选择 “检查元素” 菜单或者按 F12，即可打开浏览器开发者工具，接着切换到 Elements 面板，这时候呈现的就是淘宝网首页对应的 HTML，它包含了一系列标签，浏览器解析这些标签后，便会在网页中将它们染成一个个节点，这便形成了我们平常看到的网页。比如在图 1-9 中可以看到一个输入框就对应一个 input 标签，可以用于输入文字。

图1-9淘宝网网页源码

不同标签对应不同的功能，这些标签定义的节点相互嵌套和组合形成了复杂的层次关系，就形成了网页的架构。

CSS

HTML 定义了网页的架构，但是只有 HTML 的页面布局并不美观，有可能只是节点元素的简单排列。为了让网页更好看一些，可以借助 CSS 来实现。

CSS，全称叫作 Cascading Style Sheets，即层叠样式表。“层叠” 是指当 HTML 中引用了多个样式文件，并且样式发生冲突时，浏览器能够按照层叠顺序处理这些样式。“样式” 指的是网页中的文字大小、颜色、元素间距、排列等格式。CSS 是目前唯一的网页页面排版样式标准，有了它的帮助，页面才会变得更为美观。

在图 1-9 中，Styles 面板呈现的就是一系列 CSS 样式，我们摘抄一段：

#head_wrapper.s-ps-islite .s-p-top {
    position: absolute;
    bottom: 40px;
    width: 100%;
    height: 181px;
}

这就是一个 CSS 样式。大括号前面是一个 CSS 选择器，此选择器的意思是首先选中 id 为 head_wrapper 且 class 为 s-ps-islite 的节点，然后选中此节点内部的 class 为 s-p-top 的节点。大括号的内部就是一条条样式规则，position 指定了这个节点的布局方式为绝对布局，bottom 指定节点的下边距为 40 像素，width 指定了宽度为 100%，表示占满父节点，height 则指定了节点的高度。也就是说，我们将位置、宽度、高度等样式配置统一写成这样的形式，然后用大括号括起来，接着在开头加上 CSS 选择器，这就代表这个样式对 CSS 选择器选中的节点生效，节点就会根据此样式来展示了。

在网页中，一般会统一定义整个网页的样式规则，并写入 CSS 文件中（其后缀为 css）。在 HTML 中，只需要用 link 标签即可引入写好的 CSS 文件，这样整个页面就会变得美观、优雅。

JavaScript

JavaScript 简称 JS，是一种脚本语言。HTML 和 CSS 组合使用，提供给用户的只是一种静态信息缺乏交互性。我们在网页里还可能会看到一些交互和动画效果，如下载进度条、提示框、轮播图等，这通常就是 JavaScript 的功劳。JavaScript 的出现使得用户与信息之间不只是一种浏览与显示的关系，还实现了一种实时、动态、交互的页面功能。

JavaScript 通常也是以单独的文件形式加载的，后缀为 js，在 HTML 中通过 script 标签即可引入，例如：

<script src="jquery-2.1.0.js"></script>

综上所述，HTML 定义了网页的内容和结构，CSS 描述了网页的样式，JavaScript 定义了网页的行为。

网页的结构

我们首先用例子来感受一下 HTML 的基本结构。新建一个文本文件，名称叫作 test.html，内容如下：

这就是一个最简单的 HTML 实例。开头用 DOCTYPE 定义了文档类型，其次最外层是 html 标签，代码最后有对应的结束标签表示闭合。html 标签内部是 head 标签和 body 标签，分别代表网页头和网页体，它们同样需要结束标签。head 标签内定义了一些对页面的配置和引用，上述代码中的 <meta charset="UTF-8"> 指定了网页的编码为 UTF-8。

title 标签则定义了网页的标题，标题会显示在网页的选项卡中，不会显示在正文中。body 标签内的内容是要在网页正文中显示的。div 标签定义了网页中的区块，此处区块的 id 是 container，id 是一个非常常用的属性，其内容在网页中是唯一的，通过它可以获取这个区块。然后在此区块内又有一个 div 标签，它的 class 为 wrapper，这也是一个非常常用的属性，经常与 css 配合使用来设定样式。然后此区块内部又有一个 h2 标签，代表一个二级标题；另外还有一个 p 标签，代表一个段落。若想在网页中呈现某些内容，直接把内容写入 h2 标签和 p 标签中间即可，这两者也有各自的 class 属性。

将代码保存后，双击该文件在浏览器中打开，可以看到如图 1-10 所示的内容。

图1-10运行结果

可以看到，选项卡上显示 This is a Demo 字样，这是我们在 head 标签中的 title 里定义的文字。网页正文则是由 body 标签内部定义的各个元素生成的，可以看到这里显示了二级标题和段落。

这个实例便是网页的一般结构。一个网页的标准形式是 html 标签内嵌套 head 标签和 body 标签，head 标签内定义网页的配置和引用，body 标签内定义网页的正文。

节点树及节点间的关系

在 HTML 中，所有标签定义的内容都是节点，这些节点构成一个 HTML 节点树，也叫 HTML DOM 树。先来看一下什么是 DOM。DOM 是 W3C（万维网联盟）的标准，英文全称是 Document Object Model，即文档对象模型。它定义了访问 HTML 和 XML 文档的标准。根据 W3C 的 HTML DOM 标准，HTML 文档中的所有内容都是节点。

  • 整个网站文档是一个文档节点。

  • 每个 html 标签对应一个根节点，即上例中的 html 标签，它属于一个根节点。

  • 节点内的文本是文本节点，比如 a 节点代表一个超链接，它内部的文本也被认为是一个文本节点。

  • 每个节点的属性是属性节点，比如 a 节点有一个 href 属性，它就是一个属性节点。

  • 注释是注释节点，在 HTML 中有特殊的语法会被解析为注释，它也会对应一个节点。

因此，HTML DOM 将 HTML 文档视作树结构，这种结构被称为节点树，如图 1-11 所示。

图1-11 节点树

通过 HTML DOM，节点树中的所有节点均可通过 JavaScript 访问，所有 HTML 节点元素均可被修改、创建或删除。

节点树中的节点彼此拥有层级关系。我们常用父（parent）、子（child）和兄弟（sibling）等术语描述这些关系。父节点拥有子节点，同级的子节点被称为兄弟节点。

在节点树中，顶端节点称为根（root）。除了根节点之外，每个节点都有父节点，同时可拥有任意数量的子节点或兄弟节点。图 1-12 展示了节点树以及树中节点间的关系。

选择器

我们知道，网页由一个个节点组成，CSS 选择器会为不同的节点设置不同的样式规则，那么怎样定位节点呢？

在 CSS 中，使用 CSS 选择器来定位节点。例如，“网页的结构” 一节的例子中 div 节点的 id 为 container，那么这个节点就可以表示为 #container，其中以 # 开头代表选择 id，其后紧跟的是 id 的名称。如果想选择 class 为 wrapper 的节点，则可以使用 .wrapper，这里以 . 开头代表选择 class，其后紧跟的是 class 的名称。除了这两种，还有一种选择方式，就是根据标签名，例如想选择二级标题，直接用 h2 即可。这些是最常用的三种方式，分别是根据 id、class、标签名选择，请牢记它们的写法。

另外，CSS 选择器还支持嵌套选择，利用空格把各个选择器分隔开便可以代表嵌套关系，如 #container .wrapper p 代表先选择 id 为 container 的节点，然后选择其内部 class 为 wrapper 的节点，再进一步选择该节点内部的 P 节点。要是各个选择器之间不加空格，则代表并列关系，如 div#container.wrapper p.text 代表先选择 id 为 container 的 div 节点，然后选择其内部 class 为 wrapper 的节点，再进一步选择这个节点内部的 class 为 text 的 p 节点。这就是 CSS 选择器，其筛选功能还是非常强大的。

我们可以在浏览器中测试 CSS 选择器的效果，依然还是打开浏览器的开发者工具，然后按快捷键 Ctrl+F（如果你用的是 Mac，则是 Command+F），这时候左下角便会出现一个搜索框，如图 1-13 所示。

图1-13 搜索节点

这时候我们输入 .title 就是选中了 class 为 title 的节点，该节点会被选中并在网页中高亮显示，如图 1-14 所示。

图1-14节点搜索结果

输入 div#container .wrapper p.text 就逐层选中了 id 为 container 的节点中 class 为 wrapper 的节点中的 p 节点，如图 1-15 所示。

图1-15 节点搜索结果

CSS 选择器还有一些其他语法规则，具体如表 1-5 所示。

Table 1. 表1-5 CSS 选择器的其他语法规则
选择器 例子 例子描述

.class

.intro

选择 class="intro" 的所有节点

#id

#firstname

选择 id="firstname" 的所有节点

*

*

选择所有节点

element

p

选择所有p节点

element,element

div,p

选择所有div节点和所有p节点

element element

div p

选择div节点内部的所有p节点

element>element

div>p

选择父节点为div节点的所有p节点

element+element

div+p

选择紧接在div节点之后的所有p节点

[attribute]

[target]

选择带有target属性的所有节点

[attribute=value]

[target=blank]

选择target="blank"的所有节点

[attribute~=value]

[title~=flower]

选择title属性包含单词flower的所有节点

:link

a:link

选择所有未被访问的链接

:visited

a:visited

选择所有已被访问的链接

:active

a:active

选择活动链接

:hover

a:hover

选择鼠标指针位于其上的链接

:focus

input:focus

选择获得焦点的input节点

::first-letter

p::first-letter

选择每个p节点的首字母

::first-line

p::first-line

选择每个p节点的首行

:first-child

p:first-child

选择属于父节点的第一个子节点的所有p节点

::before

p::before

在每个p节点的内容之前插人内容

::after

p::after

在每个p节点的内容之后插入内容

:lang(language)

p:lang(it)

选择带有以it开头的lang属性值的所有p节点

element1~element2

p~ul

选择前面有p节点的所有ul节点

[attribute^=value]

a[src^"https"]

选择src属性值以https开头的所有a节点

[attribute$=value]

a[src$=".pdf"]

选择src属性值以·pdf结尾的所有a节点

[attribute*=value]

a[src*="abc"]

选择src属性值中包含abc子串的所有a节点

:first-of-type

p:first-of-type

选择属于对应父节点的首个p节点的所有p节点

:last-of-type

p:last-of-type

选择属于对应父节点的最后一个p节点的所有p节点

:only-of-type

p:only-of-type

选择属于对应父节点的唯一p节点的所有p节点

:only-child

p:only-child

选择属于对应父节点的唯一子节点的所有p节点

:nth-child(n)

p:nth-child(2)

选择属于对应父节点的第二个子节点的所有p节点

:nth-last-child(n)

p:nth-last-child(2)

同上，不过是从最后一个子节点开始计数

:nth-of-type(n)

p:nth-of-type(2)

选择属于对应父节点的第二个p节点的所有p节点

:nth-last-of-type(n)

p:nth-last-of-type(2)

同上，不过是从最后一个子节点开始计数

:last-child

p:last-child

选择属于对应父节点的最后一个子节点的所有p节点

:root

:root

选择文档的根节点

:empty

p:empty

选择没有子节点的所有p节点（包括文本节点）

:target

#news:target

选择当前活动的#news节点

:enabled

input:enabled

选择每个启用的input节点

:disabled

input:disabled

选择每个禁用的input节点

:checked

input:checked

选择每个被选中的input节点

:not(selector)

:not

选择非p节点的所有节点

::selection

::selection

选择被用户选取的节点部分

另外，还有一种比较常用的选择器 XPath，这种选择方式后面会详细介绍。

总结

本节介绍了网页的结构和节点间的关系，了解了这些内容，我们才能有更加清晰的思路去解析和提取网页内容。

本节部分内容参考如下资料。

  • MDN Web Docs 上关于 HTTP、JavaScript 的介绍。

  • W3School 上关于 HTML DOM 节点、CSS 选择器的介绍。

  • 维基百科上 HTTP 相关的介绍。