| ###6.1 HTML 基础与R语言解析 |
| #额外备注：Python中的scrapy框架，爬虫 |
| #HTML |
| #hyper text markup language |
| #超文本标记语言 |
| ##6.1HTML的语法规则 |
| #单击鼠标右键，查看源文件/审查元素 |
| ##1.标签、元素和属性 |
| #标签，以一对"< >"符号包括起来 |
| #元素，起始标签、内容和终止标签组合成为元素 |
| #终止标签会有一个"/"符号 |
| #<br>标签表示换行，不需要</br>标签来表示终止 |
| <a> 定义锚 |
| <meta> 定义关于HTML文档的元信息 |
| <link> 定义文档与外部资源的关系 |
| <code> 定义计算机代码文本 |
| <p> 定义段落 |
| <h1>-<h6> 定义HTML标题 |
| <div> 定义文档中的节 |
| <span> 定义文档中的节 |
| <form> 定义供用户输入的HTML表单 |
| <script> 定义客户端脚本 |
| #属性就是让标签能够描述其内容处理方式的选项 |
| #具体属性的作用则根据相应的标签来定 |
| #属性总是处于起始标签的内部、标签名的右侧 |
| #一个标签拥有多个属性也是常见操作，多个属性之间用空格分开 |
| ##2.树形结构 |
| #例： |
| <dl class=""> |
| <dt> |
| <a href="https://www.baidu.com"> |
| <img src="https://imgs.doubanio.com/viw/photo/abcd" alt="菇宝" class=""/> |
| </a> |
| </dt> |
| <dd> |
| <a href="https://blabla" > |
| </dd> |
| </dl> |
| #第一个元素是<dl>,在这个元素的起始和终止标签内， |
| #又有几个标签分别起始和终止：<dt>,<a>和<dd>。 |
| #<dt>和<dd>标签作为同级标签都包含在<dl>元素内， |
| #<a>标签则包含在<dt>标签内。 |
| #HTML还有注释、保留字符和特殊字符、文档定义类型等 |
| ##6.1.2 R语言中HTML的解析 |
| #对于HTML，R语言无法直接分析，需要先转换，这个过程就是HTML解析 |
| #为了将HTML文件转换为结构化数据 |
| #需运用一种能够理解HTML结构含义的程序 |
| #并重建HTML文件隐含的层次结构 |
| #使得HTML内容转变为R语言可以分析的形式 |
| #在R语言中，通常使用XML包中的htmlParse()函数来解析HTML文件 |
| #XML有着以C语言为基础的libxml2库的接口 |
| #install.packages(XML) |
| library(XML) |
| #install.packages(bitops) |
| library(bitops) |
| #install.packages(RCurl) |
| library(RCrul) |
| temp = getURL('http://movie.douban.com.subject/blabla') |
| fanghua = htmlParse(temp) |
| fanghua |
| ## <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"> |
| ## <html> |
| ## <head><title>301 Moved Permanently</title></head> |
| ## <body bgcolor="white"> |
| ## <center><h1>301 Moved Permanently</h1></center> |
| ## <hr> |
| ## <center>nginx</center> |
| ## </body> |
| ## </html> |
| ## |
扫一扫
02-01
2629
2629
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
