[已解决]060论一只爬虫的自我修养8：正则表达式4 关于脱字符^的疑问

yanner

1. import re
   
2. s = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600"><img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600">'
   
3. result = re.findall(r'<img class="BDE_Image" src="[^"]+\.jpg', s)
   
4. print(result)
   
5. 
   
6. 结果：
   
7. ['<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg', '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg']
   

复制代码

疑问:[^"]表示除了双引号以外的字符，
得到的结果jpg后面的都没有了：" size="57323" width="450" height="600"
为什么不是：
['<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg size=57323 width=450 height=600 后面略]

或者优化我自己写的：

1. import re
   
2. s = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600"><img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600">'
   
3. result = re.findall(r'<img class="BDE_Image" src=".+\.jpg', s)
   
4. print(result)
   
5. 
   
6. 结果：
   
7. ['<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600"><img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg']
   

复制代码

结果是最后一个图片路径后面没有size，width, height，但前面有，怎么优化？
结论就是，看不懂小甲鱼老师写的那句，有小伙伴指点一下吗？

最佳答案

月排行榜 / 总排行榜

XiaoPaiShen

2019-10-10 15:01:59

yanner 发表于 2019-10-11 09:06
遇到双引号结束,
对，结果看到是这样的，就是不知道为啥有这个效果，小甲鱼老师说：[^"]表示除了双引号 ...

1. 是把匹配的内容提取出来，不是把不匹配的去掉。
2. 该正则表达式还要求双引号前面是jpg.
3. 也就是说以<img class="BDE_Image" src=" 开头，后边的只要不是双引号就匹配，碰到双引号就匹配结束，并且并且双引号前面必须是 .jpg

跳转到最佳答案楼层

XiaoPaiShen

yanner 发表于 2019-10-11 09:06
遇到双引号结束,
对，结果看到是这样的，就是不知道为啥有这个效果，小甲鱼老师说：[^"]表示除了双引号 ...

1. 是把匹配的内容提取出来，不是把不匹配的去掉。
2. 该正则表达式还要求双引号前面是jpg.
3. 也就是说以<img class="BDE_Image" src=" 开头，后边的只要不是双引号就匹配，碰到双引号就匹配结束，并且并且双引号前面必须是 .jpg

wp231957

>>> result = re.findall(r'<.+?>', s)
>>> result
['<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600">', '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600">']

yanner

wp231957 发表于 2019-10-10 15:16
>>> result = re.findall(r'', s)
>>> result
['', '']

第一个是小甲鱼老师写的是要提取的图片路径，但我不理解。
第二个是我自己写的，达不到提取图片路径的后果，中间还是有，大小宽高的属性。你这个，中间和结尾都有大小宽高的属性。

wp231957

yanner 发表于 2019-10-10 16:07
第一个是小甲鱼老师写的是要提取的图片路径，但我不理解。
第二个是我自己写的，达不到提取图片路径的 ...

你想要哪部分数据呢

yanner

wp231957 发表于 2019-10-10 16:56
你想要哪部分数据呢

['<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg', '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg']

就是这样的结果哦，第一段的写法是对的（小甲鱼老师的写法），只是我不理解

kaohsing

import re
s = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3ef11f7aa0.jpg" size="57323" width="450" height="600">' \
    '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/f7aa0.jpg" size="57323" width="450" height="600">'
result = re.findall(r'<img class="BDE_Image" src="[^"]+\.jpg', s)
print(result)

# src="[^"]+\.jpg   这个表示以src="开头  以\.jpg结尾的遇到双引号就结束.，jpg"以后的就匹配不上.

kaohsing

1. import re
   
2. s = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0cf11f7aa0.jpg" size="57323" width="450" height="600">' \
   
3.     '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4f11f7aa0.jpg" size="57323" width="450" height="600">'
   
4. result = re.findall(r'<img class="BDE_Image" src=".+\.jpg', s)
   
5. print(result)
   
6. 
   
7. #  src=".+\.jpg'  这个[b][size=5]表示src=“后面是任意字符，直到遇到jpg结束[/size][/b] ,运行下面的语句可以实验一下
   
8. 
   
9. s = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0cf11f7aa0.jpg" size="57323" width="450" height="600">' \
   
10.     '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4f11f7aa0.jpg" size="57323" width="450" height="600">'\
    
11. '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0cf11f7aa0.jpg" size="57323" width="450" height="600">' \
    
12.     '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4f11f7aa0.jpg" size="57323" width="450" height="600">'
    
13. result = re.findall(r'<img class="BDE_Image" src=".+\.jpg', s)
    
14. print(result)

复制代码

xue11

[^"]表示除了双引号以外的字符，你理解的非常正确
result = re.findall(r'src="[^"]+\.jpg',s)
print(result)
结果
['src="https://imgsa.baidu.com/forum/w%3ef11f7aa0.jpg', 'src="https://imgsa.baidu.com/forum/w%3D580/f7aa0.jpg']
其实  src="[^"]+\.jpg 主要表示以 src=" 开头去查找匹配，只要 src=" 后面不是双引号且结尾是.jpg 就可以匹配上，所以匹配不上 size="57323" width="450" height="600"

XiaoPaiShen

1. import re
   
2. s  = '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.png" size="57323" width="450" height="600">'
   
3. s += '<img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=0c4bc7595afbb2fb342b581a7f4b2043/3992a116fdfaaf51a67b4ebb835494eef11f7aa0.jpg" size="57323" width="450" height="600">'
   
4. 
   
5. result = re.findall(r'<img class="BDE_Image" src="[^"]+\.jpg', s)
   
6. # 上面的pattern是指以 <img class="BDE_Image" src=" 开头，遇到双引号结束, 并且双引号前面必须是 .jpg
   
7. # 如果我们把第一个 img 文件改为 png, 它就不能匹配了。
   
8. 
   
9. print(result)

复制代码

yanner

kaohsing 发表于 2019-10-10 17:24
import re
s = '' \
    ''

# src="[^"]+\.jpg   这个表示以src="开头  以\.jpg结尾的遇到双引号就结束.，jpg"以后的就匹配不上.
对，结果看到是这样的，就是不知道为啥有这个效果，小甲鱼老师说：[^"]表示除了双引号以外的字符，这个说法和这个效果感觉匹配不上，不知道有没有关于这种情况的资料推荐呢，百度不知道怎么百度？

yanner

xue11 发表于 2019-10-10 21:48
[^"]表示除了双引号以外的字符，你理解的非常正确
result = re.findall(r'src="[^"]+\.jpg',s)
print(res ...

只要 src=" 后面不是双引号且结尾是.jpg 就可以匹配上，
对，结果看到是这样的，就是不知道为啥有这个效果，小甲鱼老师说：[^"]表示除了双引号以外的字符，这个说法和这个效果感觉匹配不上，直接按这句话理解是，后面的 size="57323" width="450" height="600"，中的双引号去掉啊？不知道有没有关于这种情况的资料推荐呢，百度不知道怎么百度？

yanner

XiaoPaiShen 发表于 2019-10-11 05:49

遇到双引号结束,
对，结果看到是这样的，就是不知道为啥有这个效果，小甲鱼老师说：[^"]表示除了双引号以外的字符，这个说法和这个效果感觉匹配不上，直接按这句话理解是，后面的 size="57323" width="450" height="600"，中的双引号去掉啊？不知道有没有关于这种情况的资料推荐呢，百度不知道怎么百度？

yanner

kaohsing 发表于 2019-10-10 17:58

对的，这个理解，就是想在这个基础上看还能不能优化成和result = re.findall(r'<img class="BDE_Image" src="[^"]+\.jpg', s)这个效果

kaohsing

yanner 发表于 2019-10-11 09:10
对的，这个理解，就是想在这个基础上看还能不能优化成和result = re.findall(r'

不知要什吗内容？

yanner

XiaoPaiShen 发表于 2019-10-10 15:01
1. 是把匹配的内容提取出来，不是把不匹配的去掉。
2. 该正则表达式还要求双引号前面是jpg.
3. 也就是 ...

谢谢啊，通过下面的辅助理解“匹配”了，我太笨了
b = '<a href = "http://www.baidu.com">wang</a><a href = "http://www.baidu.com">wang</a>'
test = re.findall(r'<a href = "[^"]+', b)
test2 = re.findall(r'[^"]+', b)
print(test)
print(test2)