متن فیلم

در این ویدئو ما زبان نشانه‌گذاری‌هایپرتکست (Hypertext Markup Language) که به اختصار HTML نامیده می‌شه رو برای وب اسکریپینگ بررسی می‌کنیم. اطلاعات مفید زیادی در صفحات وب در دسترس است، مانند قیمت املاک و راه‌حل‌های سوالات برنامه‌نویسی. وب سایت ویکیپدیا مخزن اطلاعات جهان است. اگر درکی از HTML دارید، می‌توانید از پایتون برای استخراج این اطلاعات استفاده کنید. در این ویدیو، شما: HTML یک صفحه وب پایه را مرور خواهید کرد، ترکیب‌بندی یک تگ یا تگ HTML را درک می‌کنید، درخت‌های HTML و جداول HTML را درک می‌کنید. فرض کنید از شما خواسته شده است نام و حقوق بازیکنان لیگ ملی بسکتبال را از صفحه زیر پیدا کنید. صفحه وب از HTML تشکیل شده است که شامل متنی است که توسط یک سری از عناصر متن آبی احاطه شده در براکت‌های زاویه‌دار به نام تگ‌ یا برچسب ایجاد شده است. تگ‌ها به مرورگر می‌گویند که چگونه محتوی را نشان دهد. داده‌ای که ما نیاز داریم در این متن است. بخش اول شامل «DOCTYPE html» است که اعلام می‌کند این سند یک سند HTML است. عنصر «html» عنصر ریشه یک صفحه HTML است و عنصر «head» شامل اطلاعات متا در مورد صفحه HTML است. بعد، ما body را داریم، این چیزی است که در صفحه وب نمایش داده می‌شود و معمولا داده‌هایی است که به آنها علاقه‌مند هستیم، ما عناصری را با «h3» می‌بینیم، این به معنای هدینگ یا عنوان نوع 3 است که متن را بزرگتر و ضخیم می‌کند. این تگ‌ها نام بازیکنان را دارند، توجه کنید که داده‌ها در عناصر قرار گرفته‌اند. با یک h3 در براکت شروع می‌شود و با یک اسلش h3 در براکت به پایان می‌رسد. همچنین یک تگ متفاوت «p» وجود دارد که به معنای پاراگراف است، هر تگ p حاوی حقوق یک بازیکن است. بیایید نگاهی دقیق‌تر به ترکیب یک تگ HTML بیندازیم. در اینجا یک مثال از یک تگ HTML Anchor آورده شده است که IBM را نمایش می‌دهد و وقتی روی آن کلیک می‌کنید، شما را به IBM.com هدایت می‌کند. ما نام تگ را داریم، در این مورد «a». این تگ یک ‌هایپرلینک را تعریف می‌کند که برای پیوند از یک صفحه به صفحه دیگر استفاده می‌شود. مفید است که به هر نام تگ به عنوان یک کلاس در پایتون و به هر تگ منفرد به عنوان یک نمونه نگاه کنید. ما تگ آغاز یا شروع و همچنین تگ پایان را داریم که قبل از نام تگ یک اسلش دارد. این تگ‌ها حاوی محتوی هستند، در این مورد آنچه در صفحه وب نمایش داده می‌شود. ما ویژگی را داریم که از نام ویژگی و مقدار ویژگی تشکیل شده است. در این مورد URL به صفحه وب مقصد است. صفحات وب واقعی پیچیده‌تر هستند، بسته به مرورگر شما می‌توانید عنصر HTML را انتخاب کنید، سپس روی Inspect کلیک کنید. نتیجه به شما امکان بررسی HTML را می‌دهد. همچنین انواع دیگری از محتوی مانند CSS و جاوا اسکریپت وجود دارد که در این دوره آنها را بررسی نخواهیم کرد. عنصر واقعی در اینجا نشان داده شده است. هر سند HTML در واقع می‌تواند به عنوان درخت اسناد ارجاع شود. بیایید یک مثال ساده را بررسی کنیم. تگ‌ها ممکن است شامل رشته‌ها و یا تگ‌های دیگر باشند. این عناصر فرزندان تگ هستند. ما می‌توانیم این را به عنوان یک درخت خانوادگی نشان دهیم. هر تگ تودرتو یک سطح از درخت است. تگ HTML شامل تگ head و body است. تگ head و body نوادگان تگ html هستند. به عبارت دیگر آنها فرزندان تگ HTML هستند. تگ HTML والد آنها است. تگ head و body سیبیلینگ یا برادر هستند زیرا در یک سطح قرار دارند. تگ title فرزند تگ head است و والد آن تگ head است. تگ title یکی از نوادگان تگ HTML است اما فرزند آن نیست. تگ‌های عنوان یا هدینگ و پاراگراف، فرزندان تگ body هستند و از آنجا که همه آنها فرزندان تگ body هستند، سیبیلینگ یکدیگر هستند. تگ bold فرزند تگ عنوان است، محتوای تگ نیز بخشی از درخت است، اما نمایش آن دست و پاگیر است. بعد، بیایید جداول HTML را بررسی کنیم. برای تعریف یک جدول HTML ما تگtable را داریم. هر ردیف جدول با یک تگ «tr» تعریف شده است، شما همچنین می‌توانید از یک تگ هدر جدول برای ردیف اول استفاده کنید. سلول ردیف جدول شامل مجموعه‌ای از تگ‌های «td» است که هر کدام یک سلول جدول را تعریف می‌کند. برای ردیف اول سلول اول داریم؛ برای ردیف اول سلول دوم هم که داریم؛ و غیره. برای ردیف دوم داریم؛ برای ردیف دوم سلول اول داریم؛ برای ردیف دوم سلول دوم هم که داریم؛ و غیره. ما در حال حاضر دانش پایه در مورد HTML داریم. حالا بیایید سعی کنیم برخی از داده‌ها را از یک صفحه وب استخراج کنیم.