python网络爬虫——正则解析

 

- re.I # 忽略大小写 - re.M # 多行匹配，将正则作用到源数据的每一行 - re.S # 单行匹配，将正则作用到整个源数据，输出一个整体字符串（包括换行符也打印）

string = ‘‘‘fall in love with you
i love you very much
i love she
i love her‘‘‘
# 去除以i开头的每一行数据
re.findall(‘^i.*‘,string,re.M)

[‘i love you very much‘, ‘i love she‘, ‘i love her‘]

#匹配全部行
string1 = """细思极恐
你的队友在看书
你的敌人在磨刀
你的闺蜜在减肥
隔壁老王在练腰
"""
re.findall(‘.*‘,string1,re.S)

[‘细思极恐\n你的队友在看书\n你的敌人在磨刀\n你的闺蜜在减肥\n隔壁老王在练腰\n‘, ‘‘]   爬取糗事百科中所有的图片进行保存 

import requests
import re
import urllib
import os

url = ‘https://www.qiushibaike.com/pic/page/%d/?s=5170552‘
# 自定义请求头信息
headers = {
    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36‘
} # 判断是否存在名为qiutu的文件夹，如果不存在则创建文件夹
if not os.path.exists(‘./qiutu‘):
    os.mkdir(‘./qiutu‘) # 手动输入开始页，结束页
start_page = int(input(‘start>>>‘))
end_page = int(input(‘end>>>‘))

for page in range(start_page,end_page+1): 　　# 按照每页url形式拼接指定url
    new_url = format(url%page) 　　# 发起请求
    page_text = requests.get(url=new_url,headers=headers).text 　　# 使用正则找出page_text页面中所有图片url
    img_url_list = re.findall(‘<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>‘,page_text,re.S) 　　# 给每一个图片url添加https协议头
    for img_url in img_url_list:
        img_url = ‘https:‘ + img_url 　　　　　# 将图片url切割去除图片名称，作为存储时图片的名称
        img_name = img_url.split(‘/‘)[-1]
        img_path = ‘qiutu/‘ + img_name、 　　　　　# 对图片做持久化存储
        urllib.request.urlretrieve(url=img_url,filename=img_path)
        print(img_path,‘下载成功‘)
print(‘over‘)

查看更多关于python网络爬虫——正则解析的详细内容...