>>> from env_helper import info; info()
页面更新时间： 2022-12-22 21:58:16
运行环境：
Linux发行版本: Debian GNU/Linux 11 (bullseye)
操作系统内核: Linux-5.10.0-20-amd64-x86_64-with-glibc2.31
Python版本: 3.9.2
4.4. HTML 基础知识¶
在你拆解网页之前，需要学习一些 HTML 的基本知识。 你也会看到如何利用Web浏览器的强大开发者工具， 它们使得从Web抓取信息更容易。
超文本标记语言（HTML)是编写Web页面的格式。 本章假定你对HTML有一些基本经验，但如果你需要 初学者指南，我推荐以下站点：
4.4.1. 快速复习¶
假定你有一段时间没有看过 HTML 了，这里是对基本知识的快速复习。
HTML文件是一个纯文本文件，带有 .html 文件扩展名。
这种文件中的文本被“标签”环绕，标签是尖括号包围的单词。标签告诉浏览器以怎样的格式显示该页面。
一个开始标签和一个结束标签可以包围某段文本，形成一个“元素”。
“文本”（或“内部的HTML”）是在开始标签和结束标签之间的内容。
开始标签 <strong> 表明，标签包围的文本将使用粗体。 结束标签
</strong> 告诉浏览器，粗体文本到此结束。
HTML中有许多不同的标签。有一些标签具有额外的特性，
在尖括号内以“属性”的方式展现。例如，<a>标签包含
一段文本，它应该是一个链接。这段文本链接的URL是
由href属性确定的。下面是一个例子：
Al's free <a href="http://inventwithpython.com">Python books</a>.
这段 HTML 在浏览器中看起来如图11-2所示。
某些元素具有 id 属性，可以用来在页面上唯一地确定该元素。
你常常会告诉程序，根据元素的 id 属性来寻找它。所以利用
浏览器的开发者工具，弄清楚元素的 id属性，这是编写 Web
抓取程序常见的任务。
4.4.2. 查看网页的 HTML 源代码¶
对于程序要处理的网页，你需要查看它的 HTML 源代码。要做到这一点，
在浏览器的任意网页上点击右键（或在OS
X上Ctrl-点击)，选择View Source 或
View page source，查看该页的HTML文本（参见图11-3）。
这是浏览器实际接收到的文本。浏览器知道如何通过这个HTML 显示或渲染网页。
我强烈建议你查看一些自己喜欢的网站的HTML源代码。
在查看源代码时，如果你不能完全理解，也没有关系。
你不需要完全掌握HTML，也能编写简单的Web抓取程序，
毕竟你不是要编写自己的网站。只需要足够的知识，
就能从已有的网站中挑选数据。
4.4.3. 打开浏览器的开发者工具¶
除了查看网页的源代码，你还可以利用浏览器的开发者工具，
来检查页面的HTML 。在Windows版的Chrome和IE中，
开发者工具已经安装了。可以按下F12,让它们出现（参见图11-4)。
再次按下F12，可以让开发者工具消失。在Chrome中， 也可以选择
View→Developer→Developer Tools， 调出开发者工具。在 OS
X中按下⌘-option-I， 将打开 Chrome 的开发者工具。
对于 Firefox ，可以在Windows和Linux中需要按下Ctrl-Shifl-C， 或在OS X中按下⌘-option-C，调出开发者工具查看器。 它的布局几乎与Chrome的开发者工具一样。
在 Safari 中，打开 Preferences 窗口，并在 Advanced pane 选中 Show Develop menu in the menu bar选项。在它启用后，你可以按下耗-option-I， 调出开发者工具。
在浏览器中启用或安装了开发者工具之后，可以在网页中任何部分点击右键，
在弹出菜单中选择 Inspect Element，查看页面中这一部分对应的HTML。
如果需要在Web抓取程序中解析HTML，这很有帮助。
不要用正则表达式来解析 HTML¶
在一个字符串中定位特定的一段 HTML，这似乎很适合使用正则表达式。
但是，我建议你不要这么做。HTML的格式可以有许多不同的方式，
并且仍然被认为是有效的HTML，但尝试用正则表达式来捕捉所有
这些可能的变化，将非常繁琐，并且容易出错。 专门用于解析 HTML
的模块，诸如 Beautiful Soup ，将更不容易导致缺陷。 在
http:stackoverflow.com/a/1732454/1893164/，
你会看至更充分的讨论，了解为什么不应该用正则表达式来解析 HTML。
4.4.4. 使用开发者工具来寻找 HTML 元素¶
程序利用 requests 模块下载了一个网页之后， 你会得到该页的 HTML
内容，作为一个字符串值。 现在你需要弄清楚，这段 HTML
的哪个部分对应于网页上你感兴趣的信息。
这就是可以利用浏览器的开发者工具的地方。 假定你需要编写一个程序，从 http://weather.gov/ 获取天气预报数据。在写代码之前，先做一点调查。 如果你访问该网站，并查找邮政编码94105， 该网站将打开一个页面，显示该地区的天气预报。
如果你想抓取那个邮政编码对应的气温信息，怎么办？ 右键点击它在页面的位置（或在OSX上用Control-点击）， 在弹出的菜单中选择Inspect Element。这将打开 开发者工具窗口，其中显示产生这部分网页的 HTML 。
通过开发者工具，可以看到网页中负责气温部分的 HTML 是
<p class ="myforecast-current-lrg">57°F</p> 。
这正是你要找的东西！看起来气温信息包含在一个 <p> 元素中，带有
myforecast-current-lrg 类。 既然你知道了要找的是什么，
BeautiflilSoup 模块就可以帮助你在这个字符串中找到它。