[已解决]子组不捕获匹配的内容--结果与实际不符呢

lzb1001

import urllib.request
import re

def open_url(url):
    req = urllib.request.Request(url) # urllib.request.Request讲解见14.2.1、14.3.1，举例见p14_4.py、p14_5.py
    req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36') # add_header讲解见14.3.1，举例见爬取猪八戒词条
    response = urllib.request.urlopen(req)
    #response
    #print(response)
    html = response.read().decode('utf-8')

    return html

def get_img(html):
    p = r'(?:(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:[0,1]?\d?\d|2[0-4]\d|25[0-5])' # ip由四段数字组成：XXX.XXX.XXX.XXX
    iplist = re.findall(p, html)
   
    for each in iplist:
        print(each)
   
        
if __name__ == '__main__': # 见13.4（P147-149）
    url = 'https://proxy.seofangfa.com'
    get_img(open_url(url)) # 看不懂？？？！！！

运行后获得：

36.134.91.82
117.157.197.18
103.59.151.99
111.23.16.25
203.34.48.10
45.189.254.70
43.255.113.23
43.255.113.23
43.255.113.23
43.255.113.23

与实际网页对比如下：



红框处不同，是不是正则表达式有错造成的呢？完全按小甲鱼教学视频上敲的哦

最佳答案

月排行榜 / 总排行榜

isdkz

2022-5-5 20:40:52

lzb1001 发表于 2022-5-5 20:11
最后一段的第一个数字换成逗号？

没看懂是指哪一段的第一个数字，请明示，谢谢大神

>>> import re
>>> p = r'(?:(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)'
>>> re.match(p, "103.133.177.,41")
<re.Match object; span=(0, 15), match='103.133.177.,41'>
>>> p = r'(?:(?:2[0-4]\d|25[0-5]|[01]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[01]?\d?\d)'
>>> re.match(p, "103.133.177.,41")
>>>

跳转到最佳答案楼层

isdkz

这个正则表达式确实有点问题，

因为第一种情况 [0,1]?\d?\d 可以匹配两位且第一位不是 0，1开头的，

250 就不是 以 0、1 开头的，所以只匹配了两位就不匹配了，你可以把正则的位置换一下

对你的代码修改如下：

import urllib.request
import re

def open_url(url):
    req = urllib.request.Request(url) # urllib.request.Request讲解见14.2.1、14.3.1，举例见p14_4.py、p14_5.py
    req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36') # add_header讲解见14.3.1，举例见爬取猪八戒词条
    response = urllib.request.urlopen(req)
    #response
    #print(response)
    html = response.read().decode('utf-8')

    return html

def get_img(html):
    p = r'(?:(?:[01]?\d?\d|2[0-4]\d|25[0-5])\.){3}(?:2[0-4]\d|25[0-5]|[01]?\d?\d)' # 改了这里最后一段的位置，把 [01]?\d?\d 放到最后
    iplist = re.findall(p, html)
   
    for each in iplist:
        print(each)
   
        
if __name__ == '__main__': # 见13.4（P147-149）
    url = 'https://proxy.seofangfa.com'
    get_img(open_url(url)) # 看不懂？？？！！！

lzb1001

isdkz 发表于 2022-5-5 06:19
这个正则表达式确实有点问题，

因为第一种情况 [0,1]?\d?\d 可以匹配两位且第一位不是 0，1开头的，

感谢，按大神指点的修改后确实可以了。

不过我想继续问下：

大神你说：因为第一种情况 [0,1]?\d?\d 可以匹配两位且第一位不是 0，1开头的，

而我记得小甲鱼在教材里14.5.4说：[01]\d\d表示可以匹配0或1开头的

所以我想问的是：

1、 [0,1]?\d?\d 是不是应该等同于[01]?\d?\d

2、如果等同的话，大神的说法不是和小甲鱼的说法不一致了吗？

isdkz

lzb1001 发表于 2022-5-5 10:54
感谢，按大神指点的修改后确实可以了。

不过我想继续问下：

[0,1]?\d?\d 不等同于 [01]?\d?\d 也不等同于 [01]\d\d，
[0,1]比 [01] 多出一个 逗号字符，


在中括号里表示范围应该用 -，即 [0-1]?\d?\d
等同于 [01]?\d?\d，

那个 ？表示匹配 0 次或 1 次，

也就是说 0 或 1 不一定要匹配上，这时候就少了 1 位，

也就是说 [0-1]?\d?\d 除了可以匹配以0或1开头的三位数以外，

还可以匹配不以0或1开头的两位数，

这样的话就没有后边的 2[0-4]\d 或 25[0-5]  什么事了，

他匹配够两位就不继续往下匹配了，

所以我换了一下顺序，先看 2[0-4]\d 或 25[0-5] 能不能匹配上，

再来看 [01]?\d?\d

lzb1001

isdkz 发表于 2022-5-5 11:15
[0,1]?\d?\d 不等同于 [01]?\d?\d 也不等同于 [01]\d\d，
[0,1]比 [01] 多出一个 逗号字符，

有点绕，三个的区别看晕了，整理下：

                      等同于             表示含义
[0,1]\d\d                  ？                    可以匹配两位且第一位不是 0，1开头的？

[01]\d\d             [0-1]\d\d                  ？

[0-1]\d\d             [01]\d\d                   ？

isdkz

lzb1001 发表于 2022-5-5 11:56
有点绕，三个的区别看晕了，整理下：

                      等同于             表示含义

[01]\d\d 等同于 [0-1]\d\d，

而 [0,1]\d\d 中的 “,” 就是一个普通的逗号字符，所以除了 0 或 1 还可以匹配逗号，

是 [01]?\d?\d 可以匹配两位数字且第一位不是 0，1开头的，

关于正则表达式中 “?” 的用法你可以去查一下，

正则表达式是需要系统地去学习的，刚开始接触可能确实不太好理解

lzb1001

三种表达式运行的结果为什么都一样？更晕了：


第一种：p = r'(?:(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)'
103.133.177.141
47.115.6.196
183.247.194.203
175.178.89.245
39.174.28.139
45.167.89.93
112.78.14.152
112.78.14.4
181.129.2.90
112.78.14.23

第二种：p = r'(?:(?:2[0-4]\d|25[0-5]|[01]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[01]?\d?\d)'

103.133.177.141
47.115.6.196
183.247.194.203
175.178.89.245
39.174.28.139
45.167.89.93
112.78.14.152
112.78.14.4
181.129.2.90
112.78.14.23

第三种：p = r'(?:(?:2[0-4]\d|25[0-5]|[0-1]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[0-1]?\d?\d)'

103.133.177.141
47.115.6.196
183.247.194.203
175.178.89.245
39.174.28.139
45.167.89.93
112.78.14.152
112.78.14.4
181.129.2.90
112.78.14.23

第二种和第三种的写法其实是一样的，对吗？

isdkz

lzb1001 发表于 2022-5-5 12:08
三种表达式运行的结果为什么都一样？更晕了：

嗯嗯，第二种和第三种是一样的，

而 第一种可以匹配逗号字符，也就是说你这里没有逗号自然没有区别了，

你把最后一段的第一个数字换成逗号你就可以看出区别了

lzb1001

isdkz 发表于 2022-5-5 17:43
嗯嗯，第二种和第三种是一样的，

而 第一种可以匹配逗号字符，也就是说你这里没有逗号自然没有区别了 ...

最后一段的第一个数字换成逗号？

没看懂是指哪一段的第一个数字，请明示，谢谢大神

isdkz

lzb1001 发表于 2022-5-5 20:11
最后一段的第一个数字换成逗号？

没看懂是指哪一段的第一个数字，请明示，谢谢大神

>>> import re
>>> p = r'(?:(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[0,1]?\d?\d)'
>>> re.match(p, "103.133.177.,41")
<re.Match object; span=(0, 15), match='103.133.177.,41'>
>>> p = r'(?:(?:2[0-4]\d|25[0-5]|[01]?\d?\d)\.){3}(?:2[0-4]\d|25[0-5]|[01]?\d?\d)'
>>> re.match(p, "103.133.177.,41")
>>>