python爬虫(二)—解析内容(1)

python爬虫(二)——解析内容（1）

至于为什么说是（1）呢，因为之后可能会有（2）哈哈哈哈。
好的，话不多说。
在上一节中，我们已经将整个页面的内容全部捕获了出来，但是整个页面并使我们想要的，我们需要的可能只是那一行代码。这时候，从如此多的网页源代码中提取出内一行的话，有很多种办法，今天介绍用正则表达式提取的这一种（应该算得上最简单的一种吧）
开始！！！

准备工作

import requests
import re
headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Mobile Safari/537.36'
}
reponses = requests.get('https://www.doutula.com/article/detail/1472031',headers = headers)
html = reponses.text
#print(html)
#print(reponses.status_code)

这是我们上一节课学到的东西，也就是整个页面的内容，今天，我们来爬取表情包，链接就在上面的代码里。

开始爬

在网站里查看网页源代码，分析网站会发现，所有的图片都有自己对应的一个url，里面存放着自己的一张高清图

就像第一张是这个亚子，点进去就会发现那是一张高清图

然后捏，该怎么做

urls = re.findall('<img referrerpolicy="no-referrer" data-cfsrc="(.*?)" alt=".*?" οnerrοr=".*?" style=".*?">',html)
print(urls)

用到了正则表达式，是需要import re的，至于正则表达式的用法呢，如果介绍的话比较多而且麻烦，百度自取，这里就不多做解释。
你细品，你看，刚刚这串代码是

<img referrerpolicy="no-referrer" src="http://ww2.sinaimg.cn/large/9150e4e5gy1gcnc9v7skgj205t05ta9w.jpg" alt="可恶" onerror="this.src='http://img.doutula.com/production/uploads/image/2020/03/09/20200309709312_TijAwO.jpg'">

我们把他里面没用的东西都用.*?代替了，也就是这里是什么都可以，但是仔细看一下 data-cfsrc="(.*?)" 这个位置，它的.*?是加了括号的，也就是说，这里面的内容是你要提取的
上面内两行代码执行的结果是这个样子：

也就是这些表情包所在的网址，这样，我们就做到了提取出了你所需要的表情包的网址，接下来就是需要保存这些信息了，下节课再写，不急，慢慢来 （我有课！以后再更！）