问
正则表达式 - PYTHON爬虫 这句正则不知道该怎么写
mobiledu2502883787 发布于 2022-11-06 14:12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">
33:08
实例化看板
4 个回答
-
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》2022-11-12 01:56 回答
小小贤 -
一直都是用 urllib + re 写爬虫的。。
楼主可以试一下scrapy2022-11-12 01:56 回答
脏的孩_963 -
用 xpath，正则能不用尽量不用。
2022-11-12 01:56 回答
lashley谢 -
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2022-11-12 01:56 回答
晞沂_364
撰写答案
今天，你开发时遇到什么问题呢？
立即提问
京公网安备 11010802041100号