2024年静态网站制作流程 篇1
静态页面，即静态网页，是实际存在的，无需经过服务器的编译，直接加载到客户浏览器上显示出来。静态页面需要占一定的服务器空间，且不能自主管理发布更新的页面，如果想更新网页内容，要通过FTP软件把文件DOWN下来用网页制作软件修改（通过fso等技术例外）。常见的静态页面举例：.html扩展名的、.htm扩展名的。
优缺点
首先静态页面的优缺点与动态页面的优缺点是相对的。
动态页面是一对多访问。通过一个页面。可以根据若干参数返回其不同的数据。但是静态页面因为是静态所以是一个页面对应一个内容，也就是一对一的关系。他的优点就是无论你如何访问都只是让服务器传数据给请求者。并不做脚本计算及读取后台数据库。从而大大的提高了访问速度及降低了部分安全隐患。
采用静态页面的方法可以将数据库及后台系统与前台划分开。两者间没有绝对的联系。从而从提高站点的安全。
以上就是静态页面的最大的优点。速度快，可以跨平台，跨服务器。
同样静态页面也拥有相等与优点的缺点。今天的静态页面已经不是单纯的用FrontPage或DreamWeaver来一张张做。然后发布到网上了。他已经是动态与静态结合的产物。通常静态页面的制作流程是这样的：
第一步：发布信息到数据库
第二步：选择页面的模版
第三步：程序读取模版 +数据库信息 = 静态页面
第四步：发布索引页面（如首页，引导页等）
完成
静态页面的生成至少需要上述几个步骤才能完成，所以模版是关键的。因为静态页面无法在你调整后自动更新，必须再次创建，数据量大的话，这个更新的时间也相当可怕。所以你会发现有些大的网站新的文章与旧的文章不是长一个样子。再加上静态页面本身因为不具备动态页面的特性，也就无法做一些WEB应用，最明显的一点搜索。
生成特点
动态网页的概念是在服务器中运行的程序、网页等，它们会依据不同的客户和不同的时间回到不同的网页上去，它们是以网络中的数据库为依据的。动态页面的功能主要是把储存在数据库中内容以动态的形式展现在客户面前，并把客户的数据存储在数据库中留在以后使用。所以说网站中后台运行的数据库存储的信息更新的速度比较快。在网络网站中全部程序的操作都是在服务器中执行的，通过网络发送给客户的只是在这些程序中得到的结果，对客户的服务器的要求比较低，然而服务器在完成客户的请求的时候需要从数据库中找到和客户要求相对应的一些数据，所以需要占用很大的服务器的资源，而且随着后台的数据库储存的内容不断的发展和访问的人数不断的增多，会不断增加服务器内部的压力，页面加载的速度就会变的很慢。在客户端运行的程序、页面、插件什么的都是静态页面，静态的网页不需要在服务器中访问数据所以浏览器在浏览静态的页面的时候就直接把这些静态的信息发送到客户的浏览器上了，因此相比较而言静态网页则不需要像动态网页那样需要访问数据库，减少了系统的消耗，对服务器的压力也就小了。因为静态网页使用的都是一个直接的网页。而且如果使用了静态的网页网站就不需要通过数据库就能够打开，因此运行的速度也就比较快了，自然而然的也就提高了网页打开的速度了。从网站优化的方面思考搜索引擎比较适合使用静态网页，因为静态网页可以提高搜索引擎对客户信息的存储和网站的排名。而在安全方面考虑，静态的网页能够提高网站的安全性减少不良代码的攻击，所以说静态网页比较不容易受到病毒的进攻。而从网站的稳定性能来思考，在有程序或者是数据库出现错误的时候，静态网页不会影响网站的正常运行，不会因为错误的程序损失网站内的数据，影响网站的正常运行，而损失用户对网站的使用，影响客户对网站的信任。所以通过一些技术来达到网页的静态有非常重要的价值和意义。我们需要讨论的就是怎样生成静态网页的技术和方法。在一个网站中有动态网页也有静态网页主要是因为需要体现网站的功能和提高网站浏览的速度，动态的网页能够完成数据内容的更新，但是浏览的速度就比较慢，在一些特殊的网站中我们可以使用动态的网页进行内容的更新静态的网页进行浏览。这种结构就是静态网页生成技术。完全把动态网页生成静态网页是不可取的主要是因为把动态的网页生成静态的网页之后会使服务器的负担增加，需要维护的工作量也增加了，而且静态的网页需要读取大量的动态内容。
区别
静态网页和动态网页的主要区别在于在服务器上是否运行程序，运行在客户端的程序、页面等等都是静态页面，它们是一直不变的。静态网页和动态网页有着不同的特点，一个网站使用什么样的页面要看这个网站有什么功能和网站中的内容有多少，假如这个网站的内容变化不是很快，网站的功能也没有那么复杂，可以使用静态的网页对网站运行也比较简单。而相反则必须要使用动态的网页来完善一个网站。一个网站建设的基础就是静态网页，而静态网页和动态网页之间也不是互不相容的，为了提高网站内搜索的速度，就是使用动态网页技术的网站，也能把网页的内容转变成静态网页运行，把网页转变为静态化是网站发展的一个非常好的方法，能够提高网页打开的速度。
2024年静态网站制作流程 篇2
网页分为静态网页和动态网页，静态网页内容是固定不变的，对于初学者来说易于理解，涉及到的编程知识相对较少，而动态网页的内容则是可以根据实际情况改变的，涉及到编程知识相对较多也较复杂。
既然问题是“第一个网页”，那么，就暂且认为提问者是一位初学者了，因此，接下来就谈谈怎么制作第一个静态网页。
1.确定开发工具。简单的网页，使用windows自带的记事本notepad即可，更好一点的工具，则推荐notepad++,工具小巧免费，支持语法高亮，大多数开发人员都使用过，再高级一点的工具，这里暂时就不介绍了。
2.新建一个网页文件。静态网页纯粹使用Html语言编写，文件名后缀一般为
.htm或.html，以windows记事本为例，我们先右键新建一个文本文档，自然，它的后缀是.txt，此时，选中文件后，按快捷键F2,或者右键点击“重命名”，把后缀的txt该为html，此时会提示“如果改变文件扩展名，可能会导致文件不可用”，不用在意，直接点“是”，确定更改，这样，一个空白的html文件就建好了，双击文件，我们可以直接在浏览器里打开它。
3.开始编写html代码。选中html文件后，我们选择用记事本打开，接下来就可以写一些html代码了，此时，要注意，请确保你的输入法是英文模式下的。下面我写的例子非常简单，只保留了基本的html结构，但是作为第一个网页，已经足够了。
（欢迎关注IT情报员，给你有价值的IT信息）
2024年静态网站制作流程 篇3
听你的意思是想做个静态页面做一个网站吧。
单纯想用HTML做一个网站是可以的，但是纯粹用HTML写网页真的丑...
想做出一个漂亮的现代网页CSS少不了。
先大白话说说HTML、CSS、JS的作用，再说HTML做网页吧。HTML：
1.告诉计算机页面里有什么。
2.各种元素的前后关系、父子关系。
3.根据所用的元素判断元素占一行还是行内元素。
4.告诉浏览器需要加载什么脚本（script）、样式（css）等等。
元素内，可以告诉浏览器或者爬虫，网站使用的语言（英语还是中文等），做一些移动端兼容设置，title就是本页面的标题。CSS：
css是在HTML给出一个抽象的脸的前提下让每个五官精确定位，它也像是在整容或者化妆，让界面更符合现代人审美。
1.定位属性，position，left，top，block等。
2.装饰属性，color，background，border，shadow-box等。
3.动画属性，transition等。JS：
JS代表着进一步自由，你能做更多的操作，它能做的事情说不完。
1.你可以利用JS与服务器后台沟通，当然HTML的form元素也能做到，但是form提交会刷新整个页面。
2.你可以设置大量的事件监听，如鼠标点击、鼠标移动、页面滚动等，当这些事件发生时你可以做一些事情。
3.利用一些浏览器接口额外做些事情，例如保存数据至本地，更强的图形化，例如利用webgl做动画片或者游戏。如何用HTML制作一个简单网页？
1.如果你的网站只是展示简单的信息又想外观还过得去，我建议你使用Bootstrap可视化布局系统来生成页面，简单的拖拽元素后，你只需要将生成的代码复制到html文件里的body内就好。
2.如果你很懒的话，也可以用纯粹的HTML写页面，学习的话推荐菜鸟教程。
题外话：如果你很有野心的话，建议学习下前端框架VUE，上手也挺简单，官网上和网络上案例多，学习曲线不怎么陡峭，使用element组件库或者ant的组件库，页面体验将会得到炸裂级的提升。
2024年静态网站制作流程 篇4
这次分享一个房地产网站数据采集及可视化分析的Python实际案例，应用效果还是有，步骤如下：
1、获取目标网站
2、分析网站，确定数据采集的方法
3、对采集的数据进行处理
4、最后可视化
先看看最终效果：
首先获取目标网站，可以发现获取的数据信息都在网页上面，所以可以直接使用xpath标签定位获取网页上的数据，而不用担心动态网页的数据会出现变化：
然后获取各个采集字段的具体xpath，包括房源信息、房价、地区、建面（面积）等字段的xpa，部分代码如下：
fymc=('./div/div[1]/a/text()')[0]#房源名称 fj=('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=('./div/div[2]/span[1]/text()')[0]#地区 mj=('./div/div[3]/span/text()')[0]
然后我们要爬取页数要设置，可以看到页数链接明显出现变化，而且还是规律性的，所以可以构造一个循环采集指定页数的信息（也就是翻页采集），部分代码如下：
for i in range(1,6): url=''+str(i) #print(url)
翻页采集搞定了，接下来就是数据处理，先判断采集的数据有没有空值或者缺失值，就必须使用numpy和pandas这两个模块进行数据处理，部分代码如下：
data=(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #()#做描述性分析，判断有没有空值或者缺失值
然后查看采集的数据发现，建面面积这个字段既有中文又有数字和特殊符号，我们要对这个字段进行拆分，拆分为最大面积和最小面积，代码如下：
data['最小面积']=data['面积'].(expand=True)[1].('-',expand=True)[0] data['最大面积']=data['面积'].(expand=True)[1].('-',expand=True)[1].('㎡',expand=True)[0] data=('面积',axis=1)
处理完采集的数据，接下来就是对数据进行可视化，可视化就用到matplotlib这个模块，我们用了三个图去可视化数据，包括折线图、饼图、条形图，部分代码如下：
#制作可视化图表 (figsize=(10,8)) ("南宁房价可视化分析",fontsize=20) (2,2,1) #不同地区的房源数量--饼图 ('不同地区的房源数量占比--饼图') explode=[0,0,0,0,] (x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') (2,2,2) ('不同地区的房源数量--条形图') (0,20) x=data.地区.value_counts().index y=data.地区.value_counts() (x=x,height=y,width=) for a,b in zip(x,y): (a,b+(b),ha='center',va='bottom',fontsize='green') (2,1,2) ('不同地区平均房价——折线图') (0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# (dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): (a,b+(b),ha='center',va='top',fontsize=) (loc=1,fontsize=13) ()
最后不多说了，附上完整代码：
import requests from lxml import etree import csv import pandas as pd import as plt from pylab import mpl import time with open('C:/Users/Administrator/Desktop/链家数据.csv','w',encoding='gbk') as f: ('房源名称,房价,地区,面积\n') () for i in range(1,6): url=''+str(i) #print(url) headers={ 'User-Agent': 'Mozilla/ (Windows NT ; WOW64) AppleWebKit/ (KHTML, like Gecko) Chrome/ Safari/' } r=(url,headers=headers).content b=(r) c=('/html/body/div[3]/ul[2]/li') try: for n in c: fymc=('./div/div[1]/a/text()')[0]#房源名称 fj=('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=('./div/div[2]/span[1]/text()')[0]#地区 mj=('./div/div[3]/span/text()')[0] with open('C:/Users/Administrator/Desktop/链家数据.csv','a',encoding='gbk') as f1: ('{},{},{},{}\n'.format(fymc,fj,diqu,mj)) print("数据爬取成功！") except: pass (20) ['']=['SimHei'] ['']=False data=(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #数据处理，拆分面积字段为两列数据，最小面积和最大面积 #() data['最小面积']=data['面积'].(expand=True)[1].('-',expand=True)[0] data['最大面积']=data['面积'].(expand=True)[1].('-',expand=True)[1].('㎡',expand=True)[0] data=('面积',axis=1) #制作可视化图表 (figsize=(10,8)) ("南宁房价可视化分析",fontsize=20) (2,2,1) #不同地区的房源数量--饼图 ('不同地区的房源数量占比--饼图') explode=[0,0,0,0,] (x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') (2,2,2) ('不同地区的房源数量--条形图') (0,20) x=data.地区.value_counts().index y=data.地区.value_counts() (x=x,height=y,width=) for a,b in zip(x,y): (a,b+(b),ha='center',va='bottom',fontsize='green') (2,1,2) ('不同地区平均房价——折线图') (0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# (dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): (a,b+(b),ha='center',va='top',fontsize=) (loc=1,fontsize=13) ()