大数据采集与预处理技术（微课版）课件 1.4网页HTML结构简介与分析_第1页
大数据采集与预处理技术（微课版）课件 1.4网页HTML结构简介与分析_第2页
大数据采集与预处理技术（微课版）课件 1.4网页HTML结构简介与分析_第3页
大数据采集与预处理技术（微课版）课件 1.4网页HTML结构简介与分析_第4页
大数据采集与预处理技术（微课版）课件 1.4网页HTML结构简介与分析_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

大数据采集与预处理技术*

*项目一表情图像数据采集和预处理序号软件配置要求1python3运行计算机内存8G以上2pytorch最新版本3pycharm最新版本一、项目目标：1、完成表情图像数据采集环境安装配置，掌握爬虫必备知识；2、完成表情图像数据爬虫采集程序设计和数据采集；3、完成表情图像数据预处理。二、环境要求：任务一表情图像数据采集环境准备一、任务目标1、完成python3、pytorch、requests、Lxml、BeautifulSoup等依赖库安装；2、完成各依赖库的典型用例，保证测试环境正常；3、熟练掌握HTML文件结构，能够分析各组件元素的含义。二、HTML网页结构

网络爬虫是网络数据采集的主要手段，是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。归纳为四大步：1）根据url获取HTML数据2）解析HTML，获取目标信息3）存储数据4）重复第一步HTML标记包含标签、基于字符的数据类型、字符引用和实体引用等几个关键部分。HTML标签是最常见的，通常成对出现，比如<h1>与</h1>。这些成对出现的标签中，第一个标签是开始标签，第二个标签是结束标签。两个标签之间为元素的内容（文本、图像等），有些标签没有内容，为空元素，如<img>1、示例：经典的HelloWorld程序<!DOCTYPEhtml><html><head><title>Thisisatitle</title></head>

<body><p>Helloworld!</p></body></html>html标签是整个html⽂件的根标签(最顶层标签)head标签中写⻚⾯的属性body标签中写的是⻚⾯上显示的内容title标签中写的是⻚⾯的标题标签层次结构●⽗⼦关系●兄弟关系head和body是html的⼦标签(html就是head和body的⽗标签)title是head的⼦标签，head是title的⽗标签head和body之间是兄弟关系2、

注释标签<!--注释-->ctrl+/快捷键可以快速进⾏注释/取消注释.3、标题标签有六个,从h1-h6,数字越⼤,则字体越⼩<h1>hello</h1><h2>hello</h2><h3>hello</h3><h4>hello</h4><h5>hello</h5><h6>hello</h6>4、段落标签<p>这是⼀个段落</p>

p标签描述的段落,前⾯还没有缩进5、换⾏标签:br br是break的缩写，表示换⾏。br是⼀个单标签(不需要结束标签)。<br/>是规范写法.不建议写成<br>。6、格式化标签加粗:strong标签和b标签倾斜:em标签和i标签删除线:del标签和s标签下划线:ins标签和u标签

<strong>strong加粗</strong><b>b加粗</b><em>倾斜</em><i>倾斜</i><del>删除线</del><s>删除线</s><ins>下划线</ins><u>下划线</u>7、图⽚标签img标签必须带有src属性，表示图⽚的路径。当这个rose.jpg和html文件在一个目录下，可以直接表示为<imgsrc=“rose.jpg”>。img标签的其他属性：alt:替换⽂本.当⽂本不能正确显示的时候,会显示⼀个替换的⽂字title:提示⽂本.⿏标放到图⽚上,就会有提示width/height:控制宽度⾼度.⾼度和宽度⼀般改⼀个就⾏,另外⼀个会等⽐例缩放.否则就会图⽚失衡

border:边框,参数是宽度的像素.但是⼀般使⽤CSS来设定1)使⽤相对路径:创建⼀个image⽬录和html同级,并放⼊⼀个rose2.jpg，如<imgsrc="image/rose2.jpg"alt="">2)使⽤相对路径:在image⽬录中创建⼀个html,并访问上级⽬录的rose.jpg，如<imgsrc="../rose.jpg"alt="">3)使⽤绝对路径:最好使⽤/,不要使⽤\，如<imgsrc="D:/rose.jpg"alt="">4)使⽤绝对路径:使⽤⽹络路径

<imgsrc="https:///blog/130623/201407/300958475557219.png"alt="">5)设置宽度和高度、边框

<imgsrc="https:///blog/130623/201407/300958475557219.png"alt=""width="300px"heigth="300px"border="1px">或者<imgsrc="https:///blog/130623/201407/300958475557219.png"alt=""width="30%"heigth="300%"border="1px">8、超链接标签:ahref:必须具备,表示点击后会跳转到哪个⻚⾯.target:打开⽅式，默认是self（当前页面打开此链接），如果是blank则⽤新的标签⻚打开（新页面打开此链接）。外部链接:href引⽤其他⽹站的地址<ahref="">百度</a>内部链接:⽹站内部⻚⾯之间的链接，写相对路径即可，先创建⼀个1.html<ahref="2.html">点我跳转到2.html</a>空链接:使⽤#在href中占位<ahref="#">空链接</a>下载链接:href对应的路径是⼀个⽂件<ahref="test.zip">下载⽂件</a>⽹⻚元素链接:可以给图⽚等任何元素添加链接(把元素放到a标签中)<ahref=""><imgsrc="rose.jpg"alt=""></a>9、超链接标签:a锚点链接:可以快速定位到⻚⾯中的某个位置<ahref="#one">第⼀集</a><ahref="#two">第⼆集</a><ahref="#three">第三集</a><pid="one">第⼀集剧情<br>第⼀集剧情<br>...</p><pid="two">第⼆集剧情<br>第⼆集剧情<br>...</p><pid="three">第三集剧情<br>10、表格标签 table标签，表示整个表格，table包含tr，tr包含td或者th tr:表示表格的⼀⾏ td:表示⼀个单元格 th:表示表头单元格.会居中加粗 thead:表格的头部区域(注意和th区分,范围是⽐th要⼤的) tbody:表格主体区域设置⼤⼩边框等，⼀般使⽤CSS⽅式来设置。这些属性都要放到table标签中。align：是表格相对于周围元素的对⻬⽅式，align="center"(不是内部元素的对⻬⽅式)border：表示边框，1表示有边框(数字越⼤,边框越粗),""表示没边框.cellpadding:内容距离边框的距离,默认1像素cellspacing:单元格之间的距离，默认为2像素width/height:设置尺⼨。

11、列表标签

主要使⽤来布局的，整⻬好看，⽆序列表[重要]ulli,.（ol:unorderlist），最常见有序列表[⽤的不多]olli（ol:orderlist）⾃定义列表[重要]dl(总标签),dt(⼩标题),dd(围绕标题来说明),上⾯有个⼩标题,下⾯有几个围绕着标题来展开的。注意：元素之间是并列关系；ul/ol中只能放li不能放其他标签,dl中只能放dt和dd；li中可以放其他标签；列表带有⾃⼰的样式,可以使⽤CSS来修改。12、表单标签

表单是让⽤户输⼊信息的重要途径，分成两个部分:表单域：包含表单元素的区域，重点是form标签。表单控件：输⼊框，

提交按钮等，重点是input标签。

<formaction="test.html">

...[form的内容]

</form>input标签：各种输⼊控件、单⾏⽂本框、密码框、按钮、

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论