用瀏覽器訪問網站時，頁面各不相同，你有沒有想過它為何會呈現這個樣子呢？本節中，我們就來了解一下網頁的組成、結構和節點等內容。
網頁的組成
網頁可以分為三大部分 —— html、css 和 JAVAScript。如果把網頁比作一個人的話，HTML 相當于骨架，JavaScript 相當于肌肉，CSS 相當于皮膚，三者結合起來才能形成一個完善的網頁。下面我們分別來介紹一下這三部分的功能。
（1）HTML
HTML，其英文叫做 HyperText Markup Language，中文翻譯叫做超文本標記語言，但我們通常不會用中文翻譯來稱呼它，一般就叫 HTML。
HTML 是用來描述網頁的一種語言，網頁包括文字、按鈕、圖片和視頻等各種復雜的元素，其基礎架構就是 HTML。不同類型的元素通過不同類型的標簽來表示，如圖片用 img 標簽表示，視頻用 video 標簽表示，段落用 p 標簽表示，它們之間的布局又常通過布局標簽 div 嵌套組合而成，各種標簽通過不同的排列和嵌套才形成了網頁的框架。
那 HTML 長什么樣子呢？我們可以隨意打開一個網站，比如淘寶 https://www.taobao.com，然后右鍵菜單點擊“檢查元素”或者按 F12 快捷鍵，即可打開瀏覽器開發者工具，切換到 Elements 面板，這時候就可以看到這里呈現的就是淘寶網對應的 HTML，它包含了一系列標簽，瀏覽器解析這些標簽后，便會在網頁中渲染成一個個的節點，這便形成了我們平常看到的網頁。比如這里可以看到一個輸入框就對應一個 input 標簽，可以用于輸入文字。
不同的標簽對應著不同的功能，這些標簽定義的節點相互嵌套和組合形成了復雜的層次關系，就形成了網頁的架構。
（2）CSS
HTML 定義了網頁的結構，但是只有 HTML 頁面的布局并不美觀，可能只是簡單的節點元素的排列。為了讓網頁看起來更好看一些，這里借助了 CSS。
CSS，全稱叫作 Cascading Style Sheets，即層疊樣式表。“層疊” 是指當在 HTML 中引用了數個樣式文件，并且樣式發生沖突時，瀏覽器能依據層疊順序處理。“樣式” 指網頁中文字大小、顏色、元素間距、排列等格式。CSS 是目前唯一的網頁頁面排版樣式標準，有了它的幫助，頁面才會變得更為美觀。
在上圖中，Styles 面板呈現的就是一系列 CSS 樣式，比如摘抄一段 CSS，內容如下：
#head_wrApper.s-ps-islite .s-p-top {
position: absolute;
bottom: 40px;
width: 100%;
height: 181px;
}
這就是一個 CSS 樣式。大括號前面是一個 CSS 選擇器。此選擇器的意思是首先選中 id 為 head_wrapper 且 class 為 s-ps-islite 的節點，然后再選中其內部的 class 為 s-p-top 的節點。大括號內部寫的就是一條條樣式規則，例如 position 指定了這個節點的布局方式為絕對布局，bottom 指定節點的下邊距為 40 像素，width 指定了寬度為 100%，表示占滿父節點，height 則指定了節點的高度。也就是說，我們將位置、寬度、高度等樣式配置統一寫成這樣的形式，然后用大括號括起來，接著在開頭再加上 CSS 選擇器，這就代表這個樣式對 CSS 選擇器選中的節點生效，節點就會根據此樣式來展示了。
在網頁中，一般會統一定義整個網頁的樣式規則，并寫入 CSS 文件中（其后綴為 css）。在 HTML 中，只需要用 link 標簽即可引入寫好的 CSS 文件，這樣整個頁面就會變得美觀、優雅。
（3）JavaScript
JavaScript，簡稱 JS，是一種腳本語言。HTML 和 CSS 配合使用，提供給用戶的只是一種靜態信息，缺乏交互性。我們在網頁里可能會看到一些交互和動畫效果，如下載進度條、提示框、輪播圖等，這通常就是 JavaScript 的功勞。它的出現使得用戶與信息之間不只是一種瀏覽與顯示的關系，而是實現了一種實時、動態、交互的頁面功能。
JavaScript 通常也是以單獨的文件形式加載的，后綴為 js，在 HTML 中通過 script 標簽即可引入，例如：
<script src="jquery-2.1.0.js"></script>
綜上所述，HTML 定義了網頁的內容和結構，CSS 描述了網頁的樣式，JavaScript 定義了網頁的行為。
2. 網頁的結構
我們首先用例子來感受一下 HTML 的基本結構。新建一個文本文件，名稱叫做 test.html，內容如下：
<!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>
這就是一個最簡單的 HTML 實例。開頭用 DOCTYPE 定義了文檔類型，其次最外層是 html 標簽，最后還有對應的結束標簽來表示閉合，其內部是 head 標簽和 body 標簽，分別代表網頁頭和網頁體，它們也需要結束標簽。head 標簽內定義了一些頁面的配置和引用，如：
<meta charset="UTF-8" />
它指定了網頁的編碼為 UTF-8。
title 標簽則定義了網頁的標題，會顯示在網頁的選項卡中，不會顯示在正文中。body 標簽內則是在網頁正文中顯示的內容。div 標簽定義了網頁中的區塊，它的 id 是 container，這是一個非常常用的屬性，且 id 的內容在網頁中是唯一的，我們可以通過它來獲取這個區塊。然后在此區塊內又有一個 div 標簽，它的 class 為 wrapper，這也是一個非常常用的屬性，經常與 CSS 配合使用來設定樣式。然后此區塊內部又有一個 h2 標簽，這代表一個二級標題。另外，還有一個 p 標簽，這代表一個段落。在這兩者中直接寫入相應的內容即可在網頁中呈現出來，它們也有各自的 class 屬性。
將代碼保存后，雙擊該文件在瀏覽器中打開，可以看到如圖所示的內容。
可以看到，選項卡上顯示了 This is a Demo 字樣，這是我們在 head 中的 title 里定義的文字。而網頁正文是 body 標簽內部定義的各個元素生成的，可以看到這里顯示了二級標題和段落。
這個實例便是網頁的一般結構。一個網頁的標準形式是 html 標簽內嵌套 head 和 body 標簽，head 內定義網頁的配置和引用，body 內定義網頁的正文。
3 節點樹及節點間的關系
在 HTML 中，所有標簽定義的內容都是節點，它們構成了一個 HTML 節點樹，也稱之為 HTML DOM 樹。
我們先看下什么是 DOM。DOM 是 W3C（萬維網聯盟）的標準，其英文全稱 Document Object Model，即文檔對象模型。它定義了訪問 HTML 和 XML 文檔的標準。根據 W3C 的 HTML DOM 標準，HTML 文檔中的所有內容都是節點。
- 整個網站文檔是一個文檔節點。
- 每個 html 標簽對應一個根元素節點，即上例中的 html 標簽，這屬于一個跟元素節點。
- 節點內的文本是文本節點，比如 a 節點代表一個超鏈接，它內部的文本也被認為是一個文本節點。
- 每個節點的屬性是屬性節點，比如 a 節點有一個 href 屬性，它就是一個屬性節點。
- 注釋是注釋節點，在 HTML 中有特殊的語法會被解析為注釋，但其也會對應一個節點。
所以，HTML DOM 將 HTML 文檔視作樹結構，這種結構被稱為節點樹，如圖所示：
通過 HTML DOM，樹中的所有節點均可通過 JavaScript 訪問，所有 HTML 節點元素均可被修改，也可以被創建或刪除。
節點樹中的節點彼此擁有層級關系。我們常用父（parent）、子（child）和兄弟（sibling）等術語描述這些關系。父節點擁有子節點，同級的子節點被稱為兄弟節點。
在節點樹中，頂端節點稱為根（root）。除了根節點之外，每個節點都有父節點，同時可擁有任意數量的子節點或兄弟節點。圖展示了節點樹以及節點之間的關系。
4. 選擇器
我們知道網頁由一個個節點組成，CSS 選擇器會根據不同的節點設置不同的樣式規則，那么怎樣來定位節點呢？
在 CSS 中，我們使用 CSS 選擇器來定位節點。例如，上例中 div 節點的 id 為 container，那么就可以表示為 #container，其中 # 開頭代表選擇 id，其后緊跟 id 的名稱。另外，如果我們想選擇 class 為 wrapper 的節點，便可以使用.wrapper，這里以點（.）開頭代表選擇 class，其后緊跟 class 的名稱。另外，還有一種選擇方式，那就是根據標簽名篩選，例如想選擇二級標題，直接用 h2 即可。這是最常用的 3 種表示，分別是根據 id、class、標簽名篩選，請牢記它們的寫法。
另外，CSS 選擇器還支持嵌套選擇，各個選擇器之間加上空格分隔開便可以代表嵌套關系，如 #container .wrapper p 則代表先選擇 id 為 container 的節點，然后選中其內部的 class 為 wrapper 的節點，然后再進一步選中其內部的 p 節點。另外，如果不加空格，則代表并列關系，如 div#container .wrapper p.text 代表先選擇 id 為 container 的 div 節點，然后選中其內部的 class 為 wrapper 的節點，再進一步選中其內部的 class 為 text 的 p 節點。這就是 CSS 選擇器，其篩選功能還是非常強大的。
我們可以在瀏覽器中測試 CSS 選擇器的效果，依然還是打開瀏覽器的開發者工具，然后按快捷鍵 Ctrl + F（如果你用的是 mac，則是 Command + F），這時候在左下角便會出現一個搜索框，如圖所示。
這時候我們輸入 .title 就是選中了 class 為 title 的節點，這時候該節點就會被選中并在網頁中高亮顯示，如圖所示：
輸入 div#container .wrapper p.text 就逐層選中了 id 為 container 中 class 為 wrapper 節點中的 p 節點，如圖所示：
另外，CSS 選擇器還有一些其他語法規則，具體如下表所示。
CSS 選擇器的其他語法規則
|
選 擇 器 |
例 子 |
例子描述 |
|
.class |
.intro |
選擇 class="intro" 的所有節點 |
|
#id |
#firstname |
選擇 id="firstname" 的所有節點 |
|
* |
* |
選擇所有節點 |
|
element |
p |
選擇所有 p 節點 |
|
element,element |
div,p |
選擇所有 div 節點和所有 p 節點 |
|
element element |
div p |
選擇 div 節點內部的所有 p 節點 |
|
element>element |
div>p |
選擇父節點為 div 節點的所有 p 節點 |
|
element+element |
div+p |
選擇緊接在 div 節點之后的所有 p 節點 |
|
[attribute] |
[target] |
選擇帶有 target 屬性的所有節點 |
|
[attribute=value] |
[target=blank] |
選擇 target="blank" 的所有節點 |
|
[attribute~=value] |
[title~=flower] |
選擇 title 屬性包含單詞 flower 的所有節點 |
|
:link |
a:link |
選擇所有未被訪問的鏈接 |
|
:visited |
a:visited |
選擇所有已被訪問的鏈接 |
|
:active |
a:active |
選擇活動鏈接 |
|
:hover |
a:hover |
選擇鼠標指針位于其上的鏈接 |
|
:focus |
input:focus |
選擇獲得焦點的 input 節點 |
|
:first-letter |
p:first-letter |
選擇每個 p 節點的首字母 |
|
:first-line |
p:first-line |
選擇每個 p 節點的首行 |
|
:first-child |
p:first-child |
選擇屬于父節點的第一個子節點的所有 p 節點 |
|
:before |
p:before |
在每個 p 節點的內容之前插入內容 |
|
:after |
p:after |
在每個 p 節點的內容之后插入內容 |
|
:lang(language) |
p:lang |
選擇帶有以 it 開頭的 lang 屬性值的所有 p 節點 |
|
element1~element2 |
p~ul |
選擇前面有 p 節點的所有 ul 節點 |
|
[attribute^=value] |
a[src^="https"] |
選擇其 src 屬性值以 https 開頭的所有 a 節點 |
|
[attribute$=value] |
a[src$=".pdf"] |
選擇其 src 屬性以 .pdf 結尾的所有 a 節點 |
|
[attribute*=value] |
a[src*="abc"] |
選擇其 src 屬性中包含 abc 子串的所有 a 節點 |
|
:first-of-type |
p:first-of-type |
選擇屬于其父節點的首個 p 節點的所有 p 節點 |
|
:last-of-type |
p:last-of-type |
選擇屬于其父節點的最后一個 p 節點的所有 p 節點 |
|
:only-of-type |
p:only-of-type |
選擇屬于其父節點唯一的 p 節點的所有 p 節點 |
|
:only-child |
p:only-child |
選擇屬于其父節點的唯一子節點的所有 p 節點 |
|
:nth-child(n) |
p:nth-child |
選擇屬于其父節點的第二個子節點的所有 p 節點 |
|
:nth-last-child(n) |
p:nth-last-child |
同上，從最后一個子節點開始計數 |
|
:nth-of-type(n) |
p:nth-of-type |
選擇屬于其父節點第二個 p 節點的所有 p 節點 |
|
:nth-last-of-type(n) |
p:nth-last-of-type |
同上，但是從最后一個子節點開始計數 |
|
:last-child |
p:last-child |
選擇屬于其父節點最后一個子節點的所有 p 節點 |
|
:root |
:root |
選擇文檔的根節點 |
|
:empty |
p:empty |
選擇沒有子節點的所有 p 節點（包括文本節點） |
|
:target |
#news:target |
選擇當前活動的 #news 節點 |
|
:enabled |
input:enabled |
選擇每個啟用的 input 節點 |
|
:disabled |
input:disabled |
選擇每個禁用的 input 節點 |
|
:checked |
input:checked |
選擇每個被選中的 input 節點 |
|
:not(selector) |
:not |
選擇非 p 節點的所有節點 |
|
::selection |
::selection |
選擇被用戶選取的節點部分 |
另外，還有一種比較常用的選擇器 XPath，這種選擇方式后面會詳細介紹。
5. 總結
本節介紹了網頁的結構和節點間的關系，了解了這些內容，我們才有更加清晰的思路去解析和提取網頁內容。
本節參考來源：
- 文檔 - HTML - MDN Web Docs：https://developer.mozilla.org/en-US/docs/Web/HTML
- 文檔 - JavaScript - MDN Web Docs：https://developer.mozilla.org/en-US/docs/Web/JavaScript
- 文檔 - HTML DOM 節點 - W3School：http://www.w3school.com.cn/htmldom/dom_nodes.asp
- 文檔 - HTML - 維基百科：https://en.wikipedia.org/wiki/HTML
- 文檔 - CSS Selector - W3School：https://www.w3schools.com/cssref/css_selectors.asp
