鱼C论坛

 找回密码
 立即注册
查看: 1737|回复: 5

提取豆瓣前25个标题的信息遇到的问题

[复制链接]
发表于 2023-7-31 10:31:19 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x

我只想提取豆瓣前25个标题的信息,代码如下:
import requests
import re

headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36 Edg/115.0.1901.188"
}

response = requests.get("https://movie.douban.com/top250",headers=headers)
a = re.findall("<span class="title">(.*?)</span>",response.text,re.S)
for i in a:
    print(i)




怎么剔除掉除了文字的其他信息呢?
微信截图_20230731102923.jpg


想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2023-7-31 10:31:31 | 显示全部楼层
要剔除除了文字之外的其他信息,你可以使用正则表达式来提取纯文本。在你的代码中,将正则表达式 "<span class="title">(.*?)</span>" 修改为 "<span class=\"title\">(.*?)</span>" 即可。修改后的代码如下:
import requests
import re

headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36 Edg/115.0.1901.188"}
response = requests.get("https://movie.douban.com/top250", headers=headers)
a = re.findall("<span class="title">(.*?)</span>", response.text, re.S)
for i in a:
    print(i)

这样修改后,你只会提取到标题的文本部分,而不包含其他的 HTML 标签或其他信息。希望对你有帮助!
如果问题已经解决,请设置最佳答案
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2023-7-31 10:37:26 | 显示全部楼层
代码中是加了反斜杠\的转义字符的。
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2023-7-31 10:42:45 | 显示全部楼层
本帖最后由 歌者文明清理员 于 2023-7-31 10:44 编辑
python小小白哟 发表于 2023-7-31 10:37
代码中是加了反斜杠\的转义字符的。


&nbsp;在html中表示空格,你可以手动替换
import requests
import re

headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36 Edg/115.0.1901.188"
}

response = requests.get("https://movie.douban.com/top250",headers=headers)
a = list(map(lambda s: s.replace(" ", ""), re.findall('<span class="title">(.*?)</span>',response.text,re.S)))
for i in a:
    print(i)
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2023-7-31 10:43:39 | 显示全部楼层
python小小白哟 发表于 2023-7-31 10:37
代码中是加了反斜杠\的转义字符的。

论坛有bug
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2023-7-31 13:53:43 | 显示全部楼层
要剔除除了文字以外的其他信息,你可以使用正则表达式的预处理功能。在匹配标题时,可以使用re.sub()函数将标签和其他非文字内容替换为空字符串。

下面是修改后的代码示例:
import requests
import re

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36 Edg/115.0.1901.188"
}

response = requests.get("https://movie.douban.com/top250", headers=headers)
titles = re.findall(r'<span class="title">(.*?)</span>', response.text, re.S)

for title in titles:
    cleaned_title = re.sub(r'<.*?>', '', title)  # 剔除标签和其他非文字内容
    print(cleaned_title.strip())  # 清除多余的空格并输出
这样修改后,你应该能够提取到豆瓣前25个标题的纯文本信息。注意,我们使用re.sub()函数将标签和其他非文字内容替换为空字符串,然后使用strip()函数去除标题两侧可能存在的多余空格。

请重新运行代码,并检查输出是否符合预期。如有其他问题,请随时提问。
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2024-12-25 11:02

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表