html - 正規表示式 python爬蟲

Question

import 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)
這樣正常顯示.png結尾的圖片網址
urllist = re.findall(r'//img. .jpg ',buf)
也基本上正常
urllist = re.findall(r'//img. .(png|jpg)',buf)
這樣只能顯示一串圖片的格式，像這樣：
'.jpg',
'.jpg',
'.png',
'.jpg',
'.jpg',
'.jpg',
'.jpg',
'.jpg',
'.jpg',
這是為什麼呢？

Answer 1

主要是因為, 當你沒加()時, re.findall會將匹配的全部打印出來, 但是如果你加了(), 它就會打印匹配中, 被()捕捉的結果, 所以你看到一堆的jpg/png, 正因為這樣, 所以我們需要用()將這個匹配的鏈接都捕獲起來, 這樣才能打印, 同時要用(?:jpg |png), 因為這個地方需要的是匹配jpg或png, 所以我們需要用非捕獲的分組語法.

# 代码修改
urllist = re.findall(r'(//img.+?.(?:png|jpg))',buf)

關於更多關於捕獲分組/非捕獲分組, 可以參考: 連結描述

Answer 2

[png|jpg]

(png|jpg)的話就做了分組了

import re
import requests

r = requests.get('http://search.jd.com/Search?keyword=%E6%96%87%E8%83%B8&enc=utf-8&wq=%E6%96%87%E8%83%B8&pvid=4anf50si.fbrh68')
print re.findall('//img.+.[png|jpg]', r.text)