[已解决]爬虫

哈岁NB

请问大佬们，爬取这个网站 的信息，它的演员信息一会是演员，一会是主演，用不了正则，该用什么方法呢，这是其中一个详情页https://www.ygdy8.net/html/gndy/jddy/20230629/63860.html

最佳答案

月排行榜 / 总排行榜

isdkz

2023-7-6 11:14:09

哈岁NB 发表于 2023-7-6 11:11
还有这个该怎么修改成这个形式呢，小括号里的不是会被提取出来吗

用非保存分组就不会被提取出来了

1. actor_pattern = re.compile('◎(?:演　　员|主　　演)(.*?)◎', re.S)

复制代码

跳转到最佳答案楼层

陶远航

爬取网站信息时，如果页面的结构复杂或者内容呈现形式不规律，正则表达式可能会变得复杂且难以维护。在这种情况下，可以考虑使用解析库，如BeautifulSoup或lxml，来处理HTML页面。

以下是一个使用BeautifulSoup来解析网页并提取演员信息的示例代码：

1. python
2. import requests
3. from bs4 import BeautifulSoup
5. # 发送GET请求获取页面内容
6. url = 'https://www.ygdy8.net/html/gndy/jddy/20230629/63860.html'
7. response = requests.get(url)
8. html = response.content
10. # 创建BeautifulSoup对象
11. soup = BeautifulSoup(html, 'html.parser')
13. # 使用CSS选择器提取演员信息
14. actor_elements = soup.select('div.co_content8 ul table:nth-child(2) tr:nth-child(n+2) td:nth-child(2) a')
15. actors = [actor.text for actor in actor_elements]
17. # 输出演员信息
18. for actor in actors:
19.     print(actor)

复制代码

在上述示例中，我们使用了requests库发送GET请求获取网页内容，并使用BeautifulSoup解析HTML页面。通过使用CSS选择器div.co_content8 ul table:nth-child(2) tr:nth-child(n+2) td:nth-child(2) a，我们选择到了演员信息所在的元素。然后，我们遍历选取到的元素，提取出演员的文本内容，并将其存储在actors列表中。

请注意，示例代码中的CSS选择器仅适用于给定的详情页，如果网站结构不稳定或不一致，您可能需要根据不同页面的结构进行相应的调整。

希望这个示例能够帮助到您！如果还有其他疑问，请随时提问。

isdkz

怎么用不了正则？你匹配演员或主演不就行了

正则：

1. (演\s{2}员|主\s{2}演)
   

复制代码

哈岁NB

isdkz 发表于 2023-7-6 11:04
怎么用不了正则？你匹配演员或主演不就行了

正则：

那请问一下，如果有的页面有豆瓣评分，有的没有，没有的默认一个数值，这种该怎么写呢

哈岁NB

isdkz 发表于 2023-7-6 11:04
怎么用不了正则？你匹配演员或主演不就行了

正则：

还有这个该怎么修改成这个形式呢，小括号里的不是会被提取出来吗

1. actor_pattern = re.compile('◎演　　员(.*?)◎', re.S)

复制代码

isdkz

哈岁NB 发表于 2023-7-6 11:11
还有这个该怎么修改成这个形式呢，小括号里的不是会被提取出来吗

用非保存分组就不会被提取出来了

1. actor_pattern = re.compile('◎(?:演　　员|主　　演)(.*?)◎', re.S)

复制代码

哈岁NB

isdkz 发表于 2023-7-6 11:14
用非保存分组就不会被提取出来了

好的，感谢感谢

哈岁NB

陶远航 发表于 2023-7-6 11:00
爬取网站信息时，如果页面的结构复杂或者内容呈现形式不规律，正则表达式可能会变得复杂且难以维护。在这种 ...

好的，感谢感谢

isdkz

哈岁NB 发表于 2023-7-6 11:08
那请问一下，如果有的页面有豆瓣评分，有的没有，没有的默认一个数值，这种该怎么写呢

给个例子：

1. import re
   
2. string = "◎豆瓣评分　6.4/10 from 3135 users"
   
3. pattern = r'◎豆瓣评分\s+(.*)'
   
4. result = match.group(1) if (match := re.search(pattern, string)) else "NULL"

复制代码

哈岁NB

isdkz 发表于 2023-7-6 11:19
给个例子：

好的，感谢感谢

歌者文明清理员

你哪来的旧EDGE？！

哈岁NB

歌者文明清理员 发表于 2023-7-6 12:31
你哪来的旧EDGE？！

电脑自带的呀，怎么了吗

歌者文明清理员

哈岁NB 发表于 2023-7-6 13:12
电脑自带的呀，怎么了吗

旧电脑？

哈岁NB

歌者文明清理员 发表于 2023-7-6 13:14
旧电脑？

是的