[已解决]正则

陶远航

根据你提供的代码，你想从电影网页中提取出每个电影的导演、主演、国家和类别信息。

首先，你可以使用 BeautifulSoup 解析 HTML 页面，然后使用 CSS 选择器来定位需要的元素。在这个例子中，你已经成功地从每个电影代表的 li 标签中提取了 author（导演和主演）信息。

接下来，你可以继续使用正则表达式来提取导演和主演的具体信息。正则表达式可以帮助你匹配和提取符合特定模式的字符串。

以下是修改后的代码示例，演示如何使用正则表达式提取导演和主演的姓名：

1. import re
2. import requests
3. import logging
4. from bs4 import BeautifulSoup
6. logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
8. index_url = 'https://movie.douban.com/top250?start=0&filter='
9. header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36"}
10. response = requests.get(url=index_url, headers=header).text
11. soup = BeautifulSoup(response, 'lxml')
13. # 取出每一个电影代表的li标签
14. li_list = soup.select('.article .grid_view li')
16. for li in li_list:
17.     author = li.select('.bd p')[0].get_text().strip()
18.    
19.     # 提取导演和主演的姓名
20.     director_pattern = r'导演: (.*?) '
21.     actor_pattern = r'主演: (.*?) '
22.    
23.     director = re.search(director_pattern, author)
24.     actor = re.search(actor_pattern, author)
25.    
26.     if director:
27.         director_name = director.group(1)
28.         print("导演:", director_name)
29.    
30.     if actor:
31.         actor_name = actor.group(1)
32.         print("主演:", actor_name)

复制代码

在这个示例中，我们使用了正则表达式模式 导演: (.*?) 和 主演: (.*?) 来匹配导演和主演的姓名，并提取出相应的信息。然后，我们使用 group(1) 来获取第一个捕获组的内容，即导演和主演的姓名。

你可以根据需要继续扩展代码，提取其他信息，如国家和类别，使用类似的方式应该也可以实现。

陶远航

如果上面代码不行，试试看下面这个：

1. import re
   
2. 
   
3. # 用一个字典来存储提取出来的信息
   
4. info = {}
   
5. 
   
6. # 假设author是你爬取到的数据里的一条记录
   
7. author = '导演: 弗兰克·德拉邦特 Frank Darabont   主演: 蒂姆·罗宾斯 Tim Robbins /...1994 / 美国 / 犯罪 剧情'
   
8. 
   
9. # 用re.search()方法来匹配导演的名字，第一个参数是正则表达式，第二个参数是要匹配的字符串
   
10. # 正则表达式中的括号表示要提取的分组，\S+表示匹配任意非空白字符
    
11. director = re.search('导演: (\S+)', author)
    
12. 
    
13. # 如果匹配成功，就把提取出来的分组赋值给info字典的'director'键
    
14. if director:
    
15.     info['director'] = director.group(1)
    
16. 
    
17. # 同理，用re.findall()方法来匹配主演的名字，第一个参数是正则表达式，第二个参数是要匹配的字符串
    
18. # 正则表达式中的括号表示要提取的分组，\S+表示匹配任意非空白字符，\s*表示匹配任意空白字符
    
19. # re.findall()方法会返回一个列表，包含所有匹配到的分组
    
20. actors = re.findall('主演: (\S+)\s*', author)
    
21. 
    
22. # 如果匹配成功，就把提取出来的列表赋值给info字典的'actors'键
    
23. if actors:
    
24.     info['actors'] = actors
    
25. 
    
26. # 同理，用re.search()方法来匹配国家和类别，第一个参数是正则表达式，第二个参数是要匹配的字符串
    
27. # 正则表达式中的括号表示要提取的分组，\d+表示匹配任意数字，\S+表示匹配任意非空白字符
    
28. country_genre = re.search('\d+ / (\S+) / (\S+)', author)
    
29. 
    
30. # 如果匹配成功，就把提取出来的分组赋值给info字典的'country'和'genre'键
    
31. if country_genre:
    
32.     info['country'] = country_genre.group(1)
    
33.     info['genre'] = country_genre.group(2)
    
34. 
    
35. # 打印info字典看看结果
    
36. print(info)
    

复制代码

输出结果：

1. {'director': '弗兰克·德拉邦特', 'actors': ['蒂姆·罗宾斯'], 'country': '美国', 'genre': '犯罪'}

复制代码