CS101：使用Python搭建搜索引擎-Unit1

本文为学习Udacity弗吉尼亚大学cs101课程《Intro to Computer Science》过程中的笔记。

Unit 1

如何开始

本课程通过学习如何使用Python建立一个简单的搜索引擎，从而掌握Python编程入门以及计算机科学的基本知识。计算机科学是通过将问题——如建立搜索引擎——分解成更小的部分来解决，如下图。

建立搜索引擎.png

将建立搜索引擎的问题分解为：

编写网络爬虫，从而寻找数据
创建索引，以便于搜索
结果页面排序，以便于获得满意的结果

第一单元的目标是学习如何从页面中抓取第一个链接。

算术语法

加法: +
输出两个输入数字的和

乘法: *****
输出两个输入数字的积

减法: -
输出第一个数字减去第二个数字的差

除法: /
输出第一个数字除以第二个数字的商
（若两个数字都是整数，则结果只保留整数部分）

变量及赋值

变量名

Python使用变量名来定义一个变量，该变量可以指向一个值，从而达到复用的效果。Python中的变量名可以由任意字母、数字及下划线（ _ ）组成，但不能以数字开头。一般使用全小写来命名变量，而且变量名大小写敏感，即myname不等于Myname。以下是一些合法的Python变量：

my_name
one2one
Dorian
this_is_a_very_long_variable_name

赋值语句

赋值语句讲一个值赋予一个变量

赋值之后，变量将会指向表达式的值。可以是任何具有值的Python结构。

多重赋值

可以在一个赋值语句的左侧放置多个变量名，然后在右侧放置相应数量的表达式：

, , ... = , , ...

这种情况下右侧的所有表达式都会先被求值，然后被赋予左侧相应的变量，即

=
=

这种方法可以方便地交换两个变量的值，如：

s, t = t, s

s将会被赋予t之前的值，t将会被赋予s之前的值。

字符串

字符串是一系列使用引号包围的字符列。引号可以是双引号也可以是单引号，但是同一个字符串的前后引号必须是同一种。以下是Python中一些合法的字符串：

"silly"
'string'
"I'm a valid string, even with a single quote in the middle!"

字符串连接

可以对字符串使用 + 操作符，但和使用在数字上相比有不同含义。

字符串连接: +
输出两个输入字符串的连接结果（将两个字符串连接成新的字符串，字符串之间没有空格）

也可以对字符串使用 ***** 操作符：

字符串倍增： *****
输出将个相连的结果

字符串索引

索引操作符可以取得字符串中相应位置的单个字符。

字符串索引： []
输出中位置的单个字符。字符串的位置由0开始计数，因此s[1]输出s中的第二个字符。如果为负数，则将从字符串的末尾开始计数：s[-1]输出s**中的最后一个字符。

字符串提取： [:]
输出中从位置到位置前一位的字符串子集。如果缺失，则从字符串开头开始；如果缺失，则一直持续到字符串结尾。

寻找字符串中的子集

find方法提供了在字符串中寻找字符子集的手段。

寻找字符串：

.find()
输出一个数字表示字符串中第一次出现字符串的位置。若中不存在，则输出-1。

我们可以给find传入一个数字，达到在某个位置后寻找的效果。

在...之后寻找字符串：

.find(, )
输出一个数字表示在字符串的位置上及之后第一次出现字符串的位置。若中位置之后不存在，则输出-1。

将数字转换为字符串

str： str()
输出一个对应输入数字的字符串。例如：

**str(23) **输出字符串 '23'。

抓取页面中第一个链接

运用以上的知识，我们就可以开始抓取链接了。用浏览器打开一个网页，右键点击空白地方，选择“显示网站源文件”，我们可以看到页面的html源代码。其中链接一般是以的方式标记（实际可能有其他更多的情况，为了简化先假设所有链接都以这种形式书写）。

我们可以将网页的源代码复制出来，作为字符串存入变量page。代码如下：

#将网页html源代码存入page
page = '''  ...'''
start_link = page.find('

 
 运行以上代码，我们就获得了一个网页中的第一个链接，并且存入了变量url中。