已经解决------好好的正则对这页就不行了，找不出问题。

blackantt

数据+py 见附件   47的正则错在哪.zip (36.24 KB, 下载次数: 0)

2023-5-17 08:33 上传

点击文件名下载附件

#        data-id="1166"  download="Sight

#下面这个短的正则正常ok
#a1 = re.findall('<a class="read_online".*?data-srcset="(.*?)(\.jpg|\.png).*?<div class="book_header">.*?">(.*?)</a></h2>.*?Categories:.*?(Age \d{1,2}-\d{1,2} [Yy]ears)<.*?<p class="description">\n\t\t  <p>(.*?)</p>\n<table class="rw-rating-table.*?data-id="\d{4,6}"', txt, re.S)  #ok 

#  下面这个一旦加入   href="(https://books.org/.*?\.pdf{0,1})" download   就不对了
a1 = re.findall('<a class="read_online".*?data-srcset="(.*?)(\.jpg|\.png).*?<div class="book_header">.*?">(.*?)</a></h2>.*?Categories:.*?(Age \d{1,2}-\d{1,2} [Yy]ears)<.*?<p class="description">\n\t\t  <p>(.*?)</p>\n<table class="rw-rating-table.*?data-id="\d{4,6}" href="(https://books.org/.*?\.pdf{0,1})" download', txt, re.S)  #ok 带缩略图，故事名，介绍, 注意有的dpf下载名是pd，需要后期补全



print(a1, type(a1))

sorry， 好像是 data-id 的位数不够，改为 1,6 就行了。奇怪

isdkz

这段代码中的正则表达式有一个问题，即 href="(https://books.org/.*?\.pdf{0,1})" download 中的 download 应该被移到 <a> 标签的后面，变成 <a href="(https://books.org/.*?\.pdf{0,1})" download> 。因为 download 是一个HTML5属性，而不是一个正则表达式匹配的内容。所以，正确的正则表达式应该是：

a1 = re.findall('<a class="read_online".*?data-srcset="(.*?)(\.jpg|\.png).*?<div class="book_header">.*?">(.*?)</a></h2>.*?Categories:.*?(Age \d{1,2}-\d{1,2} [Yy]ears)<.*?<p class="description">\n\t\t  <p>(.*?)</p>\n<table class="rw-rating-table.*?data-id="\d{4,6}".*?href="(https://books.org/.*?\.pdf{0,1})"', txt, re.S)

这样就可以正确地匹配带有 href 和 download 属性的 <a> 标签了。

blackantt

isdkz 发表于 2023-5-17 08:34
这段代码中的正则表达式有一个问题，即 href="(https://books.org/.*?\.pdf{0,1})" download 中的 download ...

好像还是不行。
有54个页面，前46个没问题。 到第47页，就执行不了