正则表达式-爬虫获取豆瓣电影超链接

视频学习资料：

https://www.bilibili.com/video/BV12E411A7ZQ?p=22

常用正则表达式知识总结与应用：

原文地址：https://www.cnblogs.com/zxin/archive/2013/01/26/2877765.html

一、正则表达式简单解析

正则表达式：（判断字符串是否符合一定的标准）

二、Re库主要功能函数

添加的模式限定：

 

注意*：建议在正则表达式中，被比较的字符串前面加上人，不用担心转义字符的问题

 三、源码案例

import urllib.request,urllib.error  #指定URL获取网页数据
import bs4  #网页解析数据获取
import re   #正则表达式，进行文字匹配的
import xlwt  #进行excel操作
import sqlite3  #进行SQLite数据库操作
from bs4 import  BeautifulSoup
#主函数
def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页    #2.逐一解析数据
    dataList=getDate(baseurl)
    #3.保存数据
    #savepath=""
    #saveData(savepath)
    #askURL("https://movie.douban.com/top250?start=")

#影片详情链接的规则
findLink=re.compile(r'<a href="(.*?)">')   #生成正则表达式对象，表示规则（字符串的模式）


#-------------------------相关函数-----------------------------
#1.爬取网页
def getDate(baseurl):
    dataList=[]
    for i in range(0,1):  #循环爬取页面，调用活页页面信息的函数10次
        url=baseurl+str(i*25)
        html= askURL(url)  #保存获取到的网页源码

        #2.逐一解析数据
        soup=BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"): #查找符合要求的字符串
            #print(item)    #测试：查看电影item全部信息
            data=[] #保存一部电影的所有信息
            item=str(item)

            #获取影片详情链接
            link=re.findall(findLink,item)[0]   #re库用来通过正则表达式查找指定的字符串
            print(link)

    return dataList



#得到指定一个URL的网页内容
def askURL(url):
    head={   #模拟浏览器头部消息，向豆瓣服务器发送消息
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
    }
    #用户代理表示告诉豆瓣服务器，我们是什么类型的机器，浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html



#3.保存数据
def saveData(savepath):
    print("print...")

if __name__=="__main__":   #当程序执行时,更容易管理代码主流程（程序入口）
#调用函数
    main();

四、运行截图