超文本标记语言（Hyper Text Markup Language，简称为HTML）是一种创建网页的标准标记语言。这不是一个编程语言，而是一个标记语言，使用各种标签来描述一个页面的样子，作为一个数据分析入门学习者，我们不需要完全学会怎么编写，怎么调试，只需要我们会看的懂，然后知道定位到我们需要的内容就即可。
网页组成
一个网页通常是由HTML元素、CSS样式和JavaScript脚本组成，但是对于数据采集来说，有用的只有HTML元素。通俗一点讲，网页就是一个房子，html就是简单的毛坯，CSS就是给房子来个精装修，Js脚本就是给房子通上了水电。要是把房子的精装修拆除，房子也可以用，就是有点难看，网页也是一样，把CSS样式拿走，内容还在，但是就不太美观。一个网页的大体结构如下：
<html>
<head>
<title>页面标题</title>
<script src="jquery-2.2.0.min.js"></script>
<link type="text/css" rel="stylesheet" href="style.css" />
</head>
<body>
<h1>这是标题</h1>
<p>段落1</p>
<p>段落2</p>
</body>
</html>
由标签<html>和</html>分别开头和结尾。只有<body></body>的部分才会在浏览器显示出来，<head></head>部分通常是写一些配置或者引入一些css或者js文件。
HTML标签上面的网页示例中有很多的标签，比如说<p></p>，这表示一个段落，通常标签都是成对的。但是也有一些只有单个，没有结束标签，比如：< link ><br>等。这是需要了解到的，我们需要知道这些标签是表达的什么，里面存放的什么内容，好比我们需要知道一套房子每个房间是干啥的，这样的话，是去做饭还是去睡觉，都可以找到对的房间。数据采集的时候也是一样，需要知道我们的要找的东西在哪个标签下存放着，下表中例举几个常见的标签。
属性是为了给HTML标签增加了更丰富的信息，而且需要在开始标签中定义。比如最常用的超链接
<a href="http://www.mlscoder.cn">马拉松程序员</a>
很多时候，需要获取某一页面中的所有超链接，就是通过寻找所有<a>标签中的href属性中的值，来得到结果。在Html中需要重点认识的属性有下面5个
|
属性名 |
属性含义 |
|
class |
表示元素的一个或多个类名 |
|
id |
表示元素在页面的中唯一id |
|
style |
表示元素的行内css样式，高于class中样式 |
|
title |
表示元素内的额外信息，鼠标悬停显示 |
|
type |
表示元素的类型，一般配合input标签使用 |
上述5个元素的属性是最常见的，也是后面重点使用的，需要了解属性的用途。比如说要找到class为“col-10”的元素，或者href中包含www.mlscoder.cn开头的所有链接，都是需要依靠标签的属性key和value来判断。
,
