html - 正則表達式 python爬蟲

問題描述

import urllib.request

req = urllib.request.urlopen(’http://search.jd.com/Search?k...’)

reqOut[3]: <http.client.HTTPResponse at 0x52bf6d8>

buf = req.read()

buf = buf.decode(’utf-8’)

urllist = re.findall(r’//img.+.png’,buf)這樣正常顯示.png結尾的圖片網址urllist = re.findall(r’//img.+.jpg’,buf)也基本正常urllist = re.findall(r’//img.+.(png|jpg)’,buf)這樣只能顯示一串圖片的格式，像這樣：’.jpg’, ’.jpg’, ’.png’, ’.jpg’, ’.jpg’, ’.jpg’, ’.jpg’, ’.jpg’, ’.jpg’,這是為什么呢？

問題解答

主要是因為, 當你沒加()時, re.findall會將匹配的全部打印出來, 但是如果你加了(), 它就會打印匹配中, 被()捕獲的結果, 所以你看到一堆的jpg/png, 正因為這樣, 所以我們需要用()將這個匹配的鏈接都捕獲起來, 這樣才能打印, 同時要用(?:jpg|png), 因為這個地方需要的是匹配jpg或者png, 所以我們需要用非捕獲的分組語法.

# 代碼修改urllist = re.findall(r’(//img.+?.(?:png|jpg))’,buf)

關于更多關于捕獲分組/非捕獲分組, 可以參考: 鏈接描述

[png|jpg]

(png|jpg)的話就做了分組了

import reimport requestsr = requests.get(’http://search.jd.com/Search?keyword=%E6%96%87%E8%83%B8&enc=utf-8&wq=%E6%96%87%E8%83%B8&pvid=4anf50si.fbrh68’)print re.findall(’//img.+.[png|jpg]’, r.text)