文／千里追风（简书作者）
正则表达式的使用
想要学习Python爬虫 ， 首先需要了解一下正则表达式的使用，下面我们就来看看如何使用。
-
.的使用这个时候的点就相当于一个占位符，可以匹配任意一个字符，什么意思呢？看个例子就知道
import re
content = "helloworld"
b = re.findall('w.',content)
print b`
注意了，我们首先导入了re
，这个时候大家猜一下输出结果是什么？因为.相当于一个占位符，所以理所当然的这个时候的输出结果是wo。
-
*的使用跟上面的.不同，*可以匹配前一个字符任意次数，看个例子
content = "helloworldhelloworld"
b = re.findall('w*',content)
print b
这个时候的输出结果是['', '', '', '', '', 'w', '', '', '', '', '', '', '', '', '', 'w', '', '', '', '', ‘']，可见是一个列表，长度和匹配的字符串一致，遇到要匹配的字符就打印出来。
.*的使用.* 是一种组合使用，它可以尽可能多的匹配内容，比如下面这个例子
content = “helloworldhelloworldworld"
b = re.findall('he.*ld',content)
print b
它会输出['helloworldhelloworldworld’]，它为什么不只打印一个 helloworld，为什么全部打印下来了？这就是一种贪心算法，也就是说我要找到最长的那个符合条件的内容。
.*?的使用与 上面相反，这个符号会找到尽可能短的符合条件的内容，然后放到一个列表中去，如下所示
content = ‘xxhelloworldxxxxhelloworldxx'
b = re.findall('xx.*?xx',content)
print b
输出的结果为['xxhelloworldxx', 'xxhelloworldxx’]
，可见，有个 xx 在前面好烦，怎么才能去掉呢？很简单，加个括号即可，括号加在哪？
content = 'xxhelloworldxxxxhelloworldxx' b = re.findall('xx(.*?)xx',content) print b
以上我们讨论的都是内容不包含换行符的情况，如果有了换行符结果又会发生什么变化呢？
content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content)
print b
这个时候的输出结果为一个空列表，那怎么办啊？如果我们写网络爬虫的时候，网页源代码肯定不止是一行啊，如果换一行我们就读不出来了，那就好尴尬了，当然有解决办法~
content = '''xxhelloworld xx'''
b = re.findall('xx(.*?)xx',content,re.S)
print b
这样就可以了，还有一个非常方便的提取数字的技巧，如下所示
content = '''xx123456 xx'''
b = re.findall('(\d+)',content,re.S)
print b
在网页源代码中爬取图片链接并下载
这篇文章中只是网络爬虫的第一步，所以讲解的也比较浅，所以现在我们先来利用正则表达式实现一个手动的网络爬虫，什么是手动的呢？就是我们自己把网页源代码复制下来，保存在一个 txt 文件中，然后利用正则表达式去过滤信息，然后去下载。
首先我搜索了一下 Linux 桌面，然后找到了如下一个网页
右击查看网络源代码，按ctrl+f搜索img src找到中间一部分进行复制，并且粘贴到一个 txt 文件中去，
然后就可以利用我们上述的知识去提取我们想要的信息，源代码如下
import re import requests
f = open('source.txt', 'r')
html = f.read()
f.close()
pattern = '<img src="(.*?)"'
pic_url = re.findall(pattern, html, re.S)
i = 0 for each in pic_url:
print 'Downloading :' + each
pic = requests.get(each)
fp = open('picture\\' + str(i) + '.jpg', 'wb’)
fp.write(pic.content)
fp.close()
i = i + 1
首先打开我们保存网络源代码的 txt文件，进行读取，关闭文件流，然后就是利用正则表达式提取图片链接，最后利用requests中的get()方法进行图片下载，注意这个requests不是Python中自带的，我们需要下载指定的文件，然后将其放入到Python的Lib目录下，此处下载，进入网站后，按ctrl+f搜索关键词requests就可以看到如下页面
，可以看出，我们下载的是 .whl 后缀的文件，手动将其改成 .zip 后缀，然后解压，就可以得到两个目录，将名为requests的目录复制粘贴到上面讲的目录即可使用。
好了介绍完了，我们去看下运行结果
C:\Python27\python.exe E:/PythonCode/20160820/Spider.py
Downloading:http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112732422680200576.JPG Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112640070563900918.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112547718465744154.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112455366330382227.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112363014254719641.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112270662197888742.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112178310031994750.JPG
Downloading :http://n1.itc.cn/img8/wb/smccloud/fetch/2015/07/04/112085957910403853.JPG
Process finished with exit code 0
这个时候就下载成功了，到我们的 picture 目录下去查看下载的图片
下载成功了。注意，自己找网页源代码实验的时候，最好不要让链接中带有中文，否则可能会出现乱码，由于我本身学习Python
也才很短的时间，关于中文乱码问题，应对起来还不是那么得心应手，所以在此也就不再讲解，本文结束，有意见或疑问可留言或者私聊我。
今年第六届大会PyConChina2016，由PyChina.org发起，CPyUG/TopGeek 等社区协办，将在2016年9月10日（上海）9月23日（深圳）10月15日（北京）地举办的针对Python开发者所举办的最盛大和权威的Python相关技术会议，由PyChina社区主办，致力于推动各类Python相关的技术在互联网、企业应用等领域的研发和应用。
您可以点击此处
了解更多详情，或者扫描下图二维码：
网友评论