html – Python-Crawler für reguläre Ausdrücke

Question

urllib.request importieren

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

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

buf = req.read()

buf = buf.decode('utf-8')

urllist = re.findall(r'//img.+.png',buf)
Auf diese Weise wird die Bild-URL mit der Endung .png normal angezeigt
urllist = re.findall(r'//img.+. jpg',buf)
Auch grundsätzlich normal
urllist = re.findall(r'//img.+.(png|jpg)',buf)
Hiermit kann nur das Format einer Reihe von Bildern angezeigt werden, etwa so:
'.jpg',
' .jpg',
'.png',
'.jpg',
'.jpg',
'.jpg',
'.jpg',
'.jpg',
'. jpg',
Warum ist das Wolltuch?

Answer 1

主要是因为, 当你没加()时, re.findall会将匹配的全部打印出来, 但是如果你加了(), 它就会打印匹配中, 被()捕获的结果, 所以你看到一堆的jpg/png, 正因为这样, 所以我们需要用()将这个匹配的链接都捕获起来, 这样才能打印, 同时要用(?:jpg|png), 因为这个地方需要的是匹配jpg或者png, 所以我们需要用非捕获的分组语法.

# 代码修改
urllist = re.findall(r'(//img.+?.(?:png|jpg))',buf)

关于更多关于捕获分组/非捕获分组, 可以参考: 链接描述

Answer 2

[png|jpg]

(png|jpg)的话就做了分组了

import re
import requests

r = 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)