Python爬虫正则语句求指导,python爬虫语句,刚开始学python,对
Python爬虫正则语句求指导,python爬虫语句,刚开始学python,对
刚开始学python,对爬虫和正则表达式这部分还不是很熟悉。
我现在准备爬取下面这段源码的href和title部分,爬href中的网址后,要在每个网址前面加上"http://www.infoq.com" ,用到的库是urllib2和re.
我现在碰到的问题时,我能够把网址或者title单独爬下来,但是没有办法一起爬下来。同时爬下来后有重复,因为网址和title在下面的源码中出现了两次。我不知道这个正则表达该怎么写才正确。求教各位前辈指点迷津~
href="/cn/presentations/kanban-instantiation" title="实例化看板"> <div class="movie"> <img src="http://cdn.infoqstatic.com/statics_s2_20150424-0221/resource/presentations/kanban-instantiation/zh/mediumimage/Snip20140804_27.png"/> <span class="videolength">33:08</span> </div> </a> <h2 class="itemtitle"> <a href="/cn/presentations/kanban-instantiation" title="实例化看板"> 实例化看板 </a>
一直都是用 urllib + re 写爬虫的。。
楼主可以试一下scrapy
谈一点个人最近写爬虫的看法,可能有点答不对题。
最近和班里的人一起在用python写爬虫,有同学写爬虫的时候用正则表达式去来寻找html元素的方式。但是反应正则表达式有点难,解析起来非常费劲。
正则表达式这个东西我个人的看法是会用就行,实在不行了再自己写。
剩下的很多同学写爬虫都是采用htmlparser和beautifulsoup,就是利用第三方库,这样写起来非常的方便,不用写复杂的正则表达式了。很快就能上手而且效率上也很高。
推荐一篇我入门爬虫的文章,希望对你有帮助
iOS程序员如何使用python写网路爬虫
只是从html里抓数据的话用pyquery比较方便。强烈推荐去看看。
我之前用过一次《Python使用cookielib、urllib2和pyquery模拟登陆本科教学网并抓取数据》
用 xpath,正则能不用尽量不用。
编橙之家文章,
相关内容
- Python2.7将文件打包成exe用什么软件,,python版本:2.7
- python /符号在此段源码中的作用是什么,python源码,sca
- 请问django render_to_response函数参数作用及用法,,def som
- 合并list和字典最不容易出错又简洁的python方法是什么?
- Python最新sdk支持获取文件下载链接吗?,pythonsdk,昨天更
- uwsgi部署Django报ImportError错误,djangoimporterror,配置文件如
- qiniu Python SDK:6.1.4上传文件出类型错误提示,是什么问题
- php正则要转换为python正则怎么写,php转换python,$keyword
- Python微信公众平台功能测试工具返回错误403原因,pyt
- Python删除数组中数字的方式是什么,python数组,Python数组
评论关闭