1.指定url
2.发起请求
3.获取页面数据
4.解析数据
5.持久化存储
正则
import re
# 提取出python
key = 'javapython-php'
re.findall('python',key)
re.findall('python',key)[0]
# 提取helloworld
key = '<html><h1>hello world</h1></html>'
re.findall('<h1>(.*?)</h1>',key)[0]
# 提取 170
string = '我喜欢身高170的女生'
re.findall('\d+',string)[0]
# 提取出http:// 和https://
key = 'http://www.baidu.com and https://bobo.com'
#方法一 ? 出现0次或一次
re.findall('https?://',key)
# 方法二
re.findall('https{0,1}://',key)
# 提取出hit.
key = 'bobo@hit.edu.com'
re.findall('h.*\.',key) #['hit.edu.'] 贪婪模式下，尽可能多的匹配
re.findall('h.*?\.',key) # 加一个问号，切换到非贪婪模式
# 匹配sas或者saaas
key = 'saas and sas saaas'
re.findall('sa{1,2}s',key)
# 匹配出i开头的行 re.S-基于单行匹配 re.M-基于多行匹配
key ='''fall in love with you
i love you very much
i love you
i love you
'''
re.findall('^i.*',key,re.M)
# 匹配所有的行
key = '''<div>静夜思
窗前明月光
疑是地上霜
举头望明月
低头思故乡
</div>'''
re.findall('<div>.*</div>',key,re.S)
练习
1 import requests
2 import re
3 import os
4 # 指定url
5 url = 'https://www.qiushibaike.com/pic/'
6 # 自定义请求头信息
7 headers={
8 'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
9
10 }
11 # 发起请求
12 response=requests.get(url=url,headers=headers)
13 # 获取页面数据
14 page_text = response.text
15 # 数据解析
16 img_list=re.findall('<div class="thumb">.*?<img src="(.*?)".*?>.*?</div>',page_text,re.S)
17
18 #创建一个存储图片的文件夹
19 if not os.path.exists('./imgs'):
20 os.makedirs('./imgs')
21
22 for url in img_list:
23 img_url='https:'+url
24 img_data=requests.get(url=img_url,headers=headers).content
25 imgName = url.split('/')[-1]
26 imgPath = 'imgs/'+imgName
27 with open(imgPath,'wb')as fp:
28 fp.write(img_data)
29 print(imgName+"写入成功")
