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.pptx

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;任务一表情图像数据采集环境准备;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、