用浏览器访问网站时，页面各不相同，你有没有想过它为何会呈现这个样子呢？本节中，我们就来了解一下网页的基本组成、结构和节点等内容。
1. 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的话，HTML相当于骨架，JavaScript相当于肌肉，CSS相当于皮肤，三者结合起来才能形成一个完善的网页。下面我们分别来介绍一下这三部分的功能。
(1) HTML
HTML是用来描述网页的一种语言，其全称叫作Hyper Text Markup Language，即超文本标记语言。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。不同类型的文字通过不同类型的标签来表示，如图片用img标签表示，视频用video标签表示，段落用p标签表示，它们之间的布局又常通过布局标签div嵌套组合而成，各种标签通过不同的排列和嵌套才形成了网页的框架。
在Chrome浏览器中打开百度，右击并选择“检查”项（或按F12键），打开开发者模式，这时在Elements选项卡中即可看到网页的源代码，如图2-9所示。
图2-9 源代码
这就是HTML，整个网页就是由各种标签嵌套组合而成的。这些标签定义的节点元素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。
(2) CSS
HTML定义了网页的结构，但是只有HTML页面的布局并不美观，可能只是简单的节点元素的排列，为了让网页看起来更好看一些，这里借助了CSS。
CSS，全称叫作Cascading Style Sheets，即层叠样式表。“层叠”是指当在HTML中引用了数个样式文件，并且样式发生冲突时，浏览器能依据层叠顺序处理。“样式”指网页中文字大小、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。
图2-9的右侧即为CSS，例如：
|
1
2
3
4
5
6
|
#head_wrapper.s-ps-islite .s-p-top {
position: absolute;
bottom: 40px;
width: 100%;
height: 181px;
}
|
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，然后再选中其内部的class为s-p-top的节点。大括号内部写的就是一条条样式规则，例如position指定了这个元素的布局方式为绝对布局，bottom指定元素的下边距为40像素，width指定了宽度为100%占满父元素，height则指定了元素的高度。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，接着在开头再加上CSS选择器，这就代表这个样式对CSS选择器选中的元素生效，元素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。
(3) JavaScript
JavaScript，简称JS，是一种脚本语言。HTML和CSS配合使用，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。它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，而是实现了一种实时、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：
|
1
|
<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描述了网页的布局，JavaScript定义了网页的行为。
2. 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，名称可以自取，后缀为html，内容如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>This is a Demo</title>
</head>
<body>
<div id="container">
<div class="wrapper">
<h2 class="title">Hello World</h2>
<p class="text">Hello, this is a paragraph.</p>
</div>
</div>
</body>
</html>
|
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，最后还有对应的结束标签来表示闭合，其内部是head标签和body标签，分别代表网页头和网页体，它们也需要结束标签。head标签内定义了一些页面的配置和引用，如：
|
1
|
<meta charset="UTF-8">
|
它指定了网页的编码为UTF-8。
title标签则定义了网页的标题，会显示在网页的选项卡中，不会显示在正文中。body标签内则是在网页正文中显示的内容。div标签定义了网页中的区块，它的id是container，这是一个非常常用的属性，且id的内容在网页中是唯一的，我们可以通过它来获取这个区块。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，这代表一个二级标题。另外，还有一个p标签，这代表一个段落。在这两者中直接写入相应的内容即可在网页中呈现出来，它们也有各自的class属性。
将代码保存后，在浏览器中打开该文件，可以看到如图2-10所示的内容。
图2-10 运行结果
可以看到，在选项卡上显示了This is a Demo字样，这是我们在head中的title里定义的文字。而网页正文是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和body标签，head内定义网页的配置和引用，body内定义网页的正文。
3. 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，它们构成了一个HTML DOM树。
我们先看下什么是DOM，DOM是W3C（万维网联盟）的标准，其英文全称Document Object Model，即文档对象模型。它定义了访问HTML和XML文档的标准：
W3C文档对象模型（DOM）是中立于平台和语言的接口，它允许程序和脚本动态地访问和更新文档的内容、结构和样式。
W3C DOM标准被分为3个不同的部分。
- 核心DOM： 针对任何结构化文档的标准模型。
- XML DOM：针对XML文档的标准模型。
- HTML DOM：针对HTML文档的标准模型。
根据W3C的HTML DOM标准，HTML文档中的所有内容都是节点。
- 整个文档是一个文档节点；
- 每个HTML元素是元素节点；
- HTML元素内的文本是文本节点；
- 每个HTML属性是属性节点；
- 注释是注释节点。
HTML DOM将HTML文档视作树结构，这种结构被称为节点树，如图2-11所示。
图2-11 节点树
通过HTML DOM，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，也可以被创建或删除。
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2-12展示了节点树以及节点之间的关系。
图2-12 节点树及节点间的关系
本段参考W3SCHOOL，链接：http://www.w3school.com.cn/htmldom/dom_nodes.asp。
4. 选择器
我们知道网页由一个个节点组成，CSS选择器会根据不同的节点设置不同的样式规则，那么怎样来定位节点呢？
在CSS中，我们使用CSS选择器来定位节点。例如，上例中div节点的id为container，那么就可以表示为#container，其中#开头代表选择id，其后紧跟id的名称。另外，如果我们想选择class为wrapper的节点，便可以使用.wrapper，这里以点（.）开头代表选择class，其后紧跟class的名称。另外，还有一种选择方式，那就是根据标签名筛选，例如想选择二级标题，直接用h2即可。这是最常用的3种表示，分别是根据id、class、标签名筛选，请牢记它们的写法。
另外，CSS选择器还支持嵌套选择，各个选择器之间加上空格分隔开便可以代表嵌套关系，如#container .wrapper p则代表先选择id为container的节点，然后选中其内部的class为wrapper的节点，然后再进一步选中其内部的p节点。另外，如果不加空格，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，然后选中其内部的class为wrapper的节点，再进一步选中其内部的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。
另外，CSS选择器还有一些其他语法规则，具体如表2-4所示。
表2-4 CSS选择器的其他语法规则
|
选择器 |
例子 |
例子描述 |
|---|---|---|
|
|
|
选择 |
|
|
|
选择 |
|
|
|
选择所有节点 |
|
|
|
选择所有 |
|
|
|
选择所有 |
|
|
|
选择 |
|
|
|
选择父节点为 |
|
|
|
选择紧接在 |
|
|
|
选择带有 |
|
|
|
选择 |
|
|
|
选择 |
|
|
|
选择所有未被访问的链接 |
|
|
|
选择所有已被访问的链接 |
|
|
|
选择活动链接 |
|
|
|
选择鼠标指针位于其上的链接 |
|
|
|
选择获得焦点的 |
|
|
|
选择每个 |
|
|
|
选择每个 |
|
|
|
选择属于父节点的第一个子节点的所有 |
|
|
|
在每个 |
|
|
|
在每个 |
|
|
|
选择带有以 |
|
|
|
选择前面有 |
|
|
|
选择其 |
|
|
|
选择其 |
|
|
|
选择其 |
|
|
|
选择属于其父节点的首个 |
|
|
|
选择属于其父节点的最后 |
|
|
|
选择属于其父节点唯一的 |
|
|
|
选择属于其父节点的唯一子节点的所有 |
|
|
|
选择属于其父节点的第二个子节点的所有 |
|
|
|
同上，从最后一个子节点开始计数 |
|
|
|
选择属于其父节点第二个 |
|
|
|
同上，但是从最后一个子节点开始计数 |
|
|
|
选择属于其父节点最后一个子节点的所有 |
|
|
|
选择文档的根节点 |
|
|
|
选择没有子节点的所有 |
|
|
|
选择当前活动的 |
|
|
|
选择每个启用的 |
|
|
|
选择每个禁用的 |
|
|
|
选择每个被选中的 |
|
|
|
选择非 |
|
|
|
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是XPath，这种选择方式后面会详细介绍。
本节介绍了网页的基本结构和节点间的关系，了解了这些内容，我们才有更加清晰的思路去解析和提取网页内容。