[已解决]请各位大佬帮我看一下为什么原网页的链接爬下来会有变化，在学正则表达式

马钰乔布轩

import urllib.request
import re

def open_url(url):
    req = urllib.request.Request(url)
    req.add_header = ('User-Agent','Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.65 Safari/537.36')
    response = urllib.request.urlopen(req)
    html = response.read().decode('utf-8')
    return html

def get_image(html):
    p = r'<img src="([^"]+\.jpg)"'
    imagelist = re.findall(p,html)

    for each in imagelist:
        print(each)

url = "http://www.jimohezi.com/photo/show?id=889933"

print(open_url(url))

最佳答案

月排行榜 / 总排行榜

Twilight6

2020-7-21 01:30:31

马钰乔布轩 发表于 2020-7-21 01:27
谢谢大佬，但是爬出来的结果跟需要的还是不太一样，出来了两个部分，分别是['d8d7a098f9a16f74ab030de88f ...

这样呢？

r'\w\w3/720/\w{2}/(\w+)\.jpg'

你也可以改成这样：

r'pp3/720/.+?(\w+)\.jpg'

跳转到最佳答案楼层

Twilight6

这应该和 print 函数打印字符串时候打印转义字符差不多的，比如说你用 print 函数打印 '\n' ，是不会显示 \n 字符的

但是起到的是换行的作用，而且\n \r \t 等，这些字符都属于不可见字符，直接打印时候是不可见的，但是都会行使各自字符的功能

所以这里应该可以这样比喻：'\n' 直接在控制台输出，显示还是本身，所以比喻成 "网站源码"，而 print 打印后的结果就像"审核元素"显示的效果

马钰乔布轩

Twilight6 发表于 2020-7-21 00:15
这应该和 print 函数打印字符串时候打印转义字符差不多的，比如说你用 print 函数打印 '\n' ，是不会显 ...

谢谢大佬，看出网址的规律了，但是我遇到了一个问题，我想用re.findall（）的方式爬取pp3/720/d8/d8d7a098f9a16f74ab030de88f0cddc3ad1af510.jpg 这样的字符串，这是我自己写的正则表达式，请您帮我看看问题出在哪里了，无法爬取

我的正则表达：
      r'\w\w3\/720\/\w\d\/\w+(/w+)/.jpg'
pp3/720/d8/d8d7a098f9a16f74ab030de88f0cddc3ad1af510.jpg

Twilight6

马钰乔布轩 发表于 2020-7-21 01:05
谢谢大佬，看出网址的规律了，但是我遇到了一个问题，我想用re.findall（）的方式爬取pp3/720/d8/d8d7a09 ...

你单双斜杠有点混淆了

改成这样：

r'\w\w3/720/\w\d/(\w+)\.jpg'

马钰乔布轩

Twilight6 发表于 2020-7-21 01:10
你单双斜杠有点混淆了

改成这样：

谢谢大佬，但是爬出来的结果跟需要的还是不太一样，出来了两个部分，分别是['d8d7a098f9a16f74ab030de88f0cddc3ad1af510', 'a573253c4e780feb93767ac3821663285597852b']，我觉得您写的是对的，但是为什么匹配不了前面的pp3/720/d8/呢？而且为什么同样规则的东西，五个里面只能爬出两个呢？

Twilight6

马钰乔布轩 发表于 2020-7-21 01:27
谢谢大佬，但是爬出来的结果跟需要的还是不太一样，出来了两个部分，分别是['d8d7a098f9a16f74ab030de88f ...

这样呢？

r'\w\w3/720/\w{2}/(\w+)\.jpg'

你也可以改成这样：

r'pp3/720/.+?(\w+)\.jpg'

马钰乔布轩

Twilight6 发表于 2020-7-21 01:30
这样呢？

可以了！！！，大佬求教原理！！！

Twilight6

马钰乔布轩 发表于 2020-7-21 01:32
可以了！！！，大佬求教原理！！！

你前面那个是先 \w\d 导致匹配的第二个必须是数字

改成 \w{2} 匹配两次即可

或者像我直接 .+? 匹配任意次且非贪婪

马钰乔布轩

Twilight6 发表于 2020-7-21 01:30
这样呢？

你也可以改成这样：

为什么咱们第一次那个不行呢？

马钰乔布轩

Twilight6 发表于 2020-7-21 01:33
你前面那个是先 \w\d 导致匹配的第二个必须是数字

改成 \w{2} 匹配两次即可

明白了，是我粗心了，并不是每一个后面都是数字，谢谢大神，我再去吧贪婪和非贪婪复习一下，万分感谢！！！

马钰乔布轩

马钰乔布轩 发表于 2020-7-21 01:37
明白了，是我粗心了，并不是每一个后面都是数字，谢谢大神，我再去吧贪婪和非贪婪复习一下，万分感谢！！ ...

好的！

马钰乔布轩

马钰乔布轩 发表于 2020-7-21 01:37
明白了，是我粗心了，并不是每一个后面都是数字，谢谢大神，我再去吧贪婪和非贪婪复习一下，万分感谢！！ ...

大神，我还有一点没理解，就是为什么匹配出来的数据是咱们需要的一部分呢？而不是全部呢。咱们需要的是
pp3/720/d8/d8.........jpg,但是匹配的结果却只有中间部分呢？例如这些['d8d7a098f9a16f74ab030de88f0cddc3ad1af510', '5ff0a1c763cb58842b8b2307ece255e98d33598b', '9a6037c27d84394ad3c92c9703ef6b8121c9fafd', 'a573253c4e780feb93767ac3821663285597852b', '6eaafbd0e81749e3539841f449780bc8fef31920']