py爬虫

最新推荐文章于 2024-06-19 17:27:45 发布

原创最新推荐文章于 2024-06-19 17:27:45 发布 · 692 阅读

0 ·

CC 4.0 BY-SA版权

此博客围绕Python爬虫展开，虽暂无具体内容，但可知核心聚焦于利用Python进行网页数据抓取等相关操作，在信息技术领域，Python爬虫常用于数据采集等工作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from urllib import request
import re
urlopen = request.urlopen('https://docs.oracle.com/javase/8/docs/api/index.html')
data = urlopen.read()
html = data.decode('utf-8')
# 零宽断言一共分为正向和反向两类，每类又分为预测先行和回顾后发两种：
# 　　§零宽度正预测先行断言，简称正向先行断言，语法是(?=exp)，它断言此位置的后面能匹配表达式exp。
# 　　§零宽度正回顾后发断言，简称正向后发断言，语法是(?<=exp)，它断言此位置的前面能匹配表达式exp。
# 　　§零宽度负预测先行断言，简称反向先行断言，语法是(?!exp)，它断言此位置的后面不能匹配表达式exp。
# 　　§零宽度负回顾后发断言，简称反向后发断言，语法是(?<!exp)，它断言此位置的前面不能匹配表达式exp。
# ret = re.search('(?<=<p>).*(?=</p>)', html)

# if ret:
#     print(ret.group())
# else:
#     print('null')
# with open('test.html', 'w') as f:
#     f.write(data.decode('utf-8'))
# 后边多一个？表示懒惰模式。
# .表示除\n之外的任意字符
# *表示匹配0-无穷
# +表示匹配1-无穷
# 表达式 .* 的意思很好理解，就是单个字符匹配任意次，即贪婪匹配。
# 表达式 .*? 是满足条件的情况只匹配一次，即懒惰匹配
fd = re.findall('<script src=".*">.*</script>', html, re.M)
for x in fd:
    print(x)
    print('\n')

fd = re.search('<script src=".*">.*</script>', html, re.M)
print(fd.group())