python简易爬虫，帮助理解re模块

20161203更新：

1.使用了BS4解析html

2.使用了mysql-connector插入了数据库表

pip install mysql-connector

import urllib.request
from bs4 import BeautifulSoup
import re
import mysql.connector

def getMovieInfo():
    url="https://movie.douban.com"
    data=urllib.request.urlopen(url).read()
    page_data=data.decode('UTF-8')
    '''''print(page_data)'''  
　　
    soup=BeautifulSoup(page_data,"html.parser")

    #连接mysql
    conn = mysql.connector.connect(host='locahost',user='root',password='',database='test')
    cursor = conn.cursor()
    cursor.execute('delete from doubanmovie where 1=1')

    for link in soup.findAll('li',attrs={"data-actors": True}):
        moviename=link['data-title']
        actors = link['data-actors']
        region=link['data-region']
        release=link['data-release']
        duration = link['data-duration']
        director = link['data-director']
        rate = link['data-rate']
        imgsrc =link.img['src']

        cursor.execute("INSERT INTO doubanmovie VALUES ('', %s, %s, %s, %s, %s, %s, %s, %s,now())",[moviename,actors,region,release,duration,director,rate,imgsrc])

        conn.commit()

        print('mysql',cursor.rowcount)
        print(link['data-title'])
        print('演员：',link['data-actors'])
        print(link.img['src'])
    cursor.close()
    conn.close()

#函数调用
getMovieInfo()  

更新：基于python3的爬虫教程

两个版本代码区别：

1.在3中，urllib.urlopen变成urllib.request.urlopen,之前的都要加request

2.在3中，print后面要加(),即输出代码：print()

3.在3中，

html = urllib.request.urlopen(url).read()返回的是byte类型，字节码，需要转换成UTF-8，
代码：html = html.decode('utf-8')

#coding=utf-8
import urllib.request
import re

def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    html =html.decode('utf-8')
    return html

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.request.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1

html = getHtml("http://tieba.baidu.com/p/2460150866")

print (getImg(html))

以下是基于python2的：

把筛选的图片地址通过for循环遍历并保存到本地，代码如下：

#coding=utf-8
import urllib
import re

def getHtml(url):
    page = urllib.urlopen(url)
    html = page.read()
    return html

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)
    imglist = re.findall(imgre,html)
    x = 0
    for imgurl in imglist:
        urllib.urlretrieve(imgurl,'%s.jpg' % x)
        x+=1

html = getHtml("http://tieba.baidu.com/p/2460150866")

print getImg(html)

　　这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。

　我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式：

　　re.compile() 可以把正则表达式编译成一个正则表达式对象.

　　re.findall() 方法读取html 中包含 imgre（正则表达式）的数据。

　　 运行脚本将得到整个页面中包含图片的URL地址。