(2)个人使用小爬虫---------关于一次被论坛封号而搜索的思考

回顾

上次说到关于已经成功得到数据了。
请看第一期链接：个人使用小爬虫-关于一次被论坛封号而搜索的思考

分析

那现在就是如何利用正则表达到获取相应的标签部分了，请看标签的格式

[双十精选11.17] 这是神马电影？你们是不是过分低估了观众的智商啊？[20P]

以开始，结束

那简单的正则表达就应该是

href=”htm_data.+>.+

但是显然，这样的会将所有部分都包含进去了，并且这样的使用的是贪婪模式，没有进行特定字符的锁定的。

观察得到，所有的字符都是

(.{1,50})

为什么要这样写：

第一，这样写将特定的部分总结出来，

htm_data/[这里要锁定数字]

id=\”\”>(.{这里要锁定字符部分})

第二，需要根据出现的字符数时时的去改变范围

比如这里的部分

(.{1,50})

因为出现的最大字符数并不确定，而且不能包含到下一个出现的匹配字符，这样不会影响结果。

OK：数据完整，一个也没有漏掉，这样可以将这些内容写入到数据库，就相当于在本地有了论坛的数据部分。

抱歉，本来说好晚上更新的，没想到和朋友出去吃点饭弄的这么晚

下期更新，如果用本地用户名，密码的方式访问网站。敬请期待。。。

文章来源: brucedone.com，作者：大鱼的鱼塘，版权归原作者所有，如需转载，请联系作者。

原文链接：brucedone.com/archives/329