python 网络爬虫（一）

此系列博文是朕在学习网络爬虫课程中的笔记，供自己复习和大家参考

python课程和爬虫建议网上看廖雪峰老师的网站，有很详细的教导

网络爬虫首先需要爬虫工具，初学者先使用requests工具，关于requests可以参考here，引用彼博主的一句话
“requests是python实现的简单易用的HTTP库，使用起来比urllib简洁很多”
以下以老师上课讲的爬取各个省份邮编为例，先放总的代码，再逐步解释：

import requests
import xml.etree.ElementTree as ET
from xml.parsers.expat import ParserCreate

class DefaultSaxHandler(object):
    def __init__(self, provinces):
        self.provinces = provinces

    # 处理标签开始
    def start_element(self, name, attrs):
        if name != 'map':
            name = attrs['title']
            number = attrs['href']
            self.provinces.append((name, number))

    # 处理标签结束
    def end_element(self, name):
        pass

    # 文本处理
    def char_data(self, text):
        pass

def get_province_entry(url):
    # 获取文本，并用gb2312解码
    content = requests.get(url).content.decode('gb2312')
    # 确定要查找字符串的开始结束位置，并用切片获取内容。
    start = content.find('<map name=\"map_86\" id=\"map_86\">')
    end = content.find('</map>')
    content = content[start:end + len('</map>')].strip()    #（第一处）
    provinces = []
    # 生成Sax处理器
    handler = DefaultSaxHandler(provinces)
    # 初始化分析器
    parser = ParserCreate()
    parser.StartElementHandler = handler.start_element
    parser.EndElementHandler = handler.end_element
    parser.CharacterDataHandler = handler.char_data
    # 解析数据
    parser.Parse(content)
    # 结果字典为每一页的入口代码
    return provinces

provinces = get_province_entry('http://www.ip138.com/post')
print(provinces)

选择性讲解：
Attention 1: .find()和.strip()的使用

上面代码中使用了.find()函数，实际上就是查找find括号内的字符，举例如下（可以参考http://www.runoob.com/python/att-string-find.html）：

描述
Python find() 方法检测字符串中是否包含子字符串 str ，如果指定 beg（开始） 和 end（结束） 范围，则检查是否包含在指定范围内，如果包含子字符串返回开始的索引值，否则返回-1。

注意索引是从0开始数起的，再举例看看.strip()函数的使用,参考;https://www.cnblogs.com/yyxayz/p/4034299.

所以.strip()是用来删除’\n’, ‘\r’, ‘\t’, ’ ‘)等的。

凌晨2点了，，，回去睡觉~~~，明天再补充。

更新

注意，代码中第一处位置，在使用.find()函数时得到的是索引值，而[start:end]是不包含end的索引值的，因此需要+len(‘’)将end索引值加入进去