第20章 融会贯通
“神话和传说的魔力在我们这一代成真。只要在键盘上敲下正确的咒语,显示屏就像是活了过来,里面都是以前不可能存在或发生的事情。”
——费德里克·布鲁克斯(Frederick Brooks)
本章中,我们将开发一个网络爬虫:从网站上提取数据的程序。成功之后,你将拥有从人类目前最大的信息存储地收集数据的能力。网络爬虫十分强大,开发起来又很简单,这也是我爱上编程的原因之一。我希望它也能吸引你的注意。
20.1 HTML
在开发网络爬虫之前,我们需要快速了解HTML:超文本标记语言。HTML是程序员开发网站时用到的最基本的语言之一,另外两个为CSS和JavaScript。HTML是赋予网站结构的语言,由浏览器用来布局页面的诸多标签组成。单纯使用HTML就可以打造一个完整的网站,不过无法做到互动与美观,因为其缺乏赋予网站活力的JavaScript,以及赋予网站风格的CSS。但是的的确确是一个网站。下例是仅展示文本Hello, World!
的网站代码:
# http://tinyurl.com/jptzkvp
<!--This is a comment in HTML.
Save this file as index.html