求解一段正则表达式

我陪小车度一生

# -*- coding:utf-8 -*-
2 __author__ = 'Jz'
3 import urllib2
4 import re
5 import sys
6
7 class MovieTop250:
8     def __init__(self):
9         #设置默认编码格式为utf-8
10         reload(sys)
11         sys.setdefaultencoding('utf-8')
12         self.start = 0
13         self.param = '&filter=&type='
14         self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64)'}
15         self.movieList = []
16         self.filePath = 'D:/coding_file/python_file/File/DoubanTop250.txt'
17     
18     def getPage(self):
19         try:
20             URL = 'http://movie.douban.com/top250?start=' + str(self.start)
21             request = urllib2.Request(url = URL, headers = self.headers)
22             response = urllib2.urlopen(request)
23             page = response.read().decode('utf-8')
24             pageNum = (self.start + 25)/25
25             print '正在抓取第' + str(pageNum) + '页数据...'
26             self.start += 25
27             return page
28         except urllib2.URLError, e:
29             if hasattr(e, 'reason'):
30                 print '抓取失败，具体原因：', e.reason
31     
32     def getMovie(self):
33         pattern = re.compile(u'<div.*?class="item">.*?<div.*?class="pic">.*?'
34                              + u'<em.*?class="">(.*?)</em>.*?'
35                              + u'<div.*?class="info">.*?<span.*?class="title">(.*?)'
36                              + u'</span>.*?<span.*?class="title">(.*?)</span>.*?'
37                              + u'<span.*?class="other">(.*?)</span>.*?</a>.*?'
38                              + u'<div.*?class="bd">.*?<p.*?class="">.*?'
39                              + u'导演: (.*?)&nbsp;&nbsp;&nbsp;'
40                              + u'主演: (.*?)<br>'
41                              + u'(.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;'
42                              + u'(.*?)</p>'
43                              + u'.*?<div.*?class="star">.*?<em>(.*?)</em>'
44                              + u'.*?<span>(.*?)人评价</span>.*?<p.*?class="quote">.*?'
45                              + u'<span.*?class="inq">(.*?)</span>.*?</p>', re.S)
46         while self.start <= 225:
47             page = self.getPage()
48             movies = re.findall(pattern, page)
49             for movie in movies:
50                 self.movieList.append([movie[0], movie[1], movie[2].lstrip('&nbsp;/&nbsp;'),
51                       movie[3].lstrip('&nbsp;/&nbsp;'), movie[4],
52                       movie[5], movie[6].lstrip(), movie[7], movie[8].rstrip(),
53                       movie[9], movie[10], movie[11]])
54     
55     def writeTxt(self):
56         fileTop250 = open(self.filePath, 'w')
57         try:
58             for movie in self.movieList:
59                 fileTop250.write('电影排名：' + movie[0] + '\r\n')
60                 fileTop250.write('电影名称：' + movie[1] + '\r\n')
61                 fileTop250.write('外文名称：' + movie[2] + '\r\n')
62                 fileTop250.write('电影别名：' + movie[3] + '\r\n')
63                 fileTop250.write('导演姓名：' + movie[4] + '\r\n')
64                 fileTop250.write('参与主演：' + movie[5] + '\r\n')
65                 fileTop250.write('上映年份：' + movie[6] + '\r\n')
66                 fileTop250.write('制作国家/地区：' + movie[7] + '\r\n')
67                 fileTop250.write('电影类别：' + movie[8] + '\r\n')
68                 fileTop250.write('电影评分：' + movie[9] + '\r\n')
69                 fileTop250.write('参评人数：' + movie[10] + '\r\n')
70                 fileTop250.write('简短影评：' + movie[11] + '\r\n\r\n')
71             print '文件写入成功...'
72         finally:
73             fileTop250.close()
74     
75     def main(self):
76         print '正在从豆瓣电影Top250抓取数据...'
77         self.getMovie()
78         self.writeTxt()
79         print '抓取完毕...'
80
81 DouBanSpider = MovieTop250()
82 DouBanSpider.main()
这是一段豆瓣top250爬取信息的代码

里面一段正则表达式希望有大神能给解释一下

老甲鱼与小甲鱼

这么长的一段。。。

bbjx

这个是对CSS格式化吧

XIO

应该是匹配了页面电影相关的所有信息...
学习的话不建议看这个.感觉有点老了.....