Python網路資料擷取二

標籤：pen   lin   .com   urlopen   attr   def   ret   int   dal   

一、Regex

 *     表匹配0次或者多次  a*b*

+    表至少一次

[ ]   匹配任意一個

( )  辨識一個編組

{m，n} m或者n 次

[^]  匹配任意不在中括弧裡的字元

|    表示或者

.    表示匹配任一字元

^    表字元的開始 ^a  表示以a開始

\    表示逸出字元

$  和^ 相反  從字串的末尾開始匹配

？！ 不包含

二、獲得屬性

獲得一個標籤的全部屬性

myTag.attrs

擷取圖片的資源位置src

myImgTag.attrs["src"]

 

 

擷取網頁的函數：

random.seed(datetime.datetime.now())
def getLinks(articleUrl):
html = urlopen("http://en.wikipedia.org"+articleUrl)
bs0bj = BeautifulSoup(html)
return bs0bj.find("div",{"id":"bodyContent"}).findAll("a",herf=re.compile("^(/wiki/)((?!:).)*$"))
links = getLinks("/wiki/Kevin_Bacon")
while len(links) > 0:
newArticle = links[random.randint(0,len(links)-1)].attrs["href"]
print(newArticle)
link = getLinks(newArticle)

 

Python網路資料擷取二