豆瓣读书排名——正则提取

接着上文http://blog.csdn.net/weixin_41512727/article/details/79511353（豆瓣读书排名）。本次练习，在发送请求，获取网页信息后。通过正则表达式，根据网页的源码（https://www.douban.com/doulist/1264675/?start=25&sort=seq&sub_type=），提取需要的信息，如排名、书名等。

正则表达式：

pattern = re.compile('class="hd".*?class="pos">(.*?)</span>.*?class="title".*?target="_blank">(.*?)</a>', re.S)#re.S为匹配换行符。

import urllib.request
import re
import json

#发送请求，获取响应
class A():
    def get_html(self):
        response = urllib.request.urlopen(url)
        html = response.read().decode("utf-8")
        return html
    
    #解析响应，提取数据
    def parse_html(html):
        
        #正则表达式(排名、书名)
        pattern = re.compile('class="hd".*?class="pos">(.*?)</span>.*?class="title".*?target="_blank">(.*?)</a>', re.S)
        items = re.findall(pattern, html)
        for item in items:
            yield{
                'rank': item[0],
                'name': item[1].strip()
                }
    
        
#运行函数
if __name__ == '__main__':

    for perpage in range(0,3):
        with open('book_rank.txt', 'a', encoding = "utf-8") as br:
            url = 'https://www.douban.com/doulist/1264675/?start=' + str(perpage*25) + '&sort=seq&sub_type='#不同的页面，相隔25.
            html = A.get_html(url)
            for item in A.parse_html(html):
                br.write(json.dumps(item, ensure_ascii=False)+ '\n')

后续需要练习requests库，及beautifulsoup解析库。