html - 正規表現Pythonクローラー

Question

インポートurllib.request

req = urllib.request.urlopen('http://search.jd.com/Search?k...')

req
Out[3]: <http.client.HTTPResponse at 0x52bf6d8>

buf = req.read()

buf = buf.decode('utf-8')

urllist = re.findall(r'//img. .png',buf)
これは通常、.png で終わる画像の URL を表示します。
urllist = re.findall(r'//img. .jpg ',buf)
これも基本的には通常です
urllist = re.findall(r'//img. .(png|jpg)',buf)
これは、一連の形式のみを表示できます。このような写真：
'.jpg',
'.jpg',
'.png',
'.jpg',
'.jpg',
'。 jpg',
'.jpg',
'.jpg',
'.jpg',
これはなぜですか?

Answer 1

主な理由は、()时, re.findall会将匹配的全部打印出来, 但是如果你加了(), 它就会打印匹配中, 被()捕获的结果, 所以你看到一堆的jpg/png, 正因为这样, 所以我们需要用()将这个匹配的链接都捕获起来, 这样才能打印, 同时要用(?:jpg|png), 因为这个地方需要的是匹配jpg或者pngを追加しない場合、非キャプチャのグループ化構文を使用する必要があるためです。

リーリー

の詳細については、次を参照してください: リンクの説明捕获分组/非捕获分组

Answer 2

[png|jpg]

(png|jpg)がグループ化されます

リーリー