注意:网站会更新,正则表达式不一定都能匹配,F12自己去网站看看修改一下
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
#百度贴吧
class BDTB:
#初始化,传入基地址,是否只看楼主的参数
def __init__(self,baseUrl,seeLZ):
self.baseURL = baseUrl
self.seeLZ = '?see_lz='+str(seeLZ)
#传入页码,获取该页帖子的代码
def getPage(self,pageNum):
try:
url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read().decode('utf-8') #此处没写decode('utf-8') 导致result = re.search(pattern,page)处提示错误
except urllib2.URLError, e: #当网络连接失败时报错
if hasattr(e,"reason"):
print u"连接百度贴吧失败,错误原因",e.reason
return None
#获取帖子标题
def getTitle(self):
page = self.getPage(1)
pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
result = re.search(pattern,page)
print type(result)
if result:
print result.group(1) #测试输出
return result.group(1).strip()
else:
return None
baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL,1)
bdtb.getPage(1)
bdtb.getTitle()
为了解释代码中的正则表达式、group等问题先上一个实例代码
pattern = re.compile('123(.*?)a(.*)b(.*)123',re.S)
result = re.search(pattern,'123YYYaaaaaaXXXbZZZ123123')
print result.group()
print result.group(1)
print result.group(2)
print result.group(3)
输出结果:
123YYYaaaaaaXXXbZZZ123123
YYY (非贪婪模式)
aaaaaXXX
ZZZ123 (贪婪模式)
1.正则表达式:
1).*? 是一个固定的搭配,.和*代表可以匹配任意无限多个字符,加上?表示使用非贪婪模式(非贪婪模式解释见下文)进行匹配,也就是我们会尽可能短地做匹配,以后我们还会大量用到 .*? 的搭配。
2)(.*?)代表一个分组
3)如果不使用re.S参数,则只在每一行内进行匹配,如果一行没有,就换下一行重新开始,不会跨行。而使用re.S参数以后,正则表达式会将这个字符串作为一个整体,将“\n”当做一个普通的字符加入到这个字符串中,在整体中进行匹配。
2.group:
调用match对象的group(0)方法,将匹配整个表达式,输出结果:
<h3 class="core_title_txt pull-left text-overflow " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h3>
调用match对象的group(1)方法,返回第一次匹配成功的结果,输出结果为:纯原创我心中的NBA2014-2015赛季现役50大
3.
re.search()函数将对整个字符串进行搜索,并返回第一个匹配的字符串的Match对象,match对象可用group()读取其中的内容
findall()返回所有匹配的字符串的Match对象
4.decode('utf-8'):将数据解码为utf-8, 与其相对应的是encode()
源字符串:aa<div>test1</div>bb<div>test2</div>cc
正则表达式一:<div>.*</div>
匹配结果一:<div>test1</div>bb<div>test2</div>
正则表达式二:<div>.*?</div>
匹配结果二:<div>test1</div>(这里指的是一次匹配结果,所以没包括<div>test2</div>)
根据上面的例子,从匹配行为上分析一下,什是贪婪与非贪婪模式。
正则表达式一采用的是贪婪模式,在匹配到第一个“</div>”时已经可以使整个表达式匹配成功,但是由于采用的是贪婪模式,所以仍然要向右尝试匹配,查看是否还有更长的可以成功匹配的子串,匹配到第二个“</div>”后,向右再没有可以成功匹配的子串,匹配结束,匹配结果为“<div>test1</div>bb<div>test2</div>”。
| |