前言全局说明
爬虫html内存 re.findall 正则提取
一、百度首页热搜
(和百度原网页代码有修改)
需求:提取内容文字。
<ul class="s-hotsearch-content" id="hotsearch-content-wrapper">
<li class="hotsearch-item odd" data-index="0">
<span class="title-content-title">必须坚持人民至上</span>
<span class="title-content-title">因平凡的你们熠熠闪光</span>
<span class="title-content-title">已婚男子找王婆说媒 妻子:将离婚</span>
<span class="title-content-title">凯迪拉克:泼天的流量轮到我了</span>
<span class="title-content-title">爸爸穿得太显眼竟把女儿气哭</span>
<span class="title-content-title">女子辅导儿子作业情绪崩溃踹断脚趾</span>
</li>
</ul>
实现代码:
baidu_hot.py
import re
html_hot = """<ul class="s-hotsearch-content" id="hotsearch-content-wrapper">
<li class="hotsearch-item odd" data-index="0">
<span class="title-content-title">必须坚持人民至上</span>
<span class="title-content-title">因平凡的你们熠熠闪光</span>
<span class="title-content-title">已婚男子找王婆说媒 妻子:将离婚</span>
<span class="title-content-title">凯迪拉克:泼天的流量轮到我了</span>
<span class="title-content-title">爸爸穿得太显眼竟把女儿气哭</span>
<span class="title-content-title">女子辅导儿子作业情绪崩溃踹断脚趾</span>
</li>
</ul>"""
res = re.findall('<span class="title-content-title">(.*?)</span>', html_hot)
print("html_hot=", html_hot)
print("res=", res)
说明:
re.findall(<正则规则>, <待提取的数据>)
.*? 任意字符串内容
() 优先提取的内容,就是我们想要的内容
注意点:
- html_hot 的内容必须用 六个双引号内。
效果:
二、
三、
四、
免责声明:本号所涉及内容仅供安全研究与教学使用,如出现其他风险,后果自负。
参考、来源:
https://www.luffycity.com/ 路飞学城
2024-03-24_路飞3天/Day01/converter_1-1740_.ts.mp4 01:36:34