本次目标时用正则表达式抓取一个网站的歌曲排行榜
部分源代码如下：
1 <li> 2 <input type="checkBox" value="[email protected]" name="Url" class="check"> 3 <span class="songNum ">38.</span> 4 <a target="_1" href="/play/69933.htm" class="songName ">美丽的神话 《神话》电影主题曲 </a> 5 </li> 6 <li> 7 <input type="checkBox" value="[email protected]" name="Url" class="check"> 8 <span class="songNum ">39.</span> 9 <a target="_1" href="/play/42474.htm" class="songName ">过火 </a> 10 </li> 11 <li> 12 <input type="checkBox" value="[email protected]" name="Url" class="check"> 13 #<span class="songNum ">40.</span> 14 <a target="_1" href="/play/49771.htm" class="songName ">一生爱你千百回 </a> 15 </li>
可以看到，每一个<li>标签里存着一首歌的信息，包括，排名，地址，歌名。
按道理来说，写个正则匹配直接findall全出来了，但这个网站设了几点难点给我。
第一：
1 <li> 2 <input type="checkBox" value="[email protected]" name="Url" class="check"> 3 <span class="songNum topRed">01.</span> 4 <a target="_1" href="/play/11417.htm" class="songName cBlue">大海 </a> 5 </li> 6 <li> 7 <input type="checkBox" value="[email protected]" name="Url" class="check"> 8 <span class="songNum topRed">02.</span> 9 <a target="_1" href="/play/64541.htm" class="songName ">天路 </a> 10 </li> 11 <li> 12 <input type="checkBox" value="[email protected]" name="Url" class="check"> 13 <span class="songNum topRed">03.</span> 14 <a target="_1" href="/play/65937.htm" class="songName ">再回首 </a> 15 </li>
第一、二、三名的歌曲在songNum后面加了 topRed，还有在第一名的songName后面加了个cBlue。
解决方法：
在写正则表达式时在相应的地方加上：(topRed)? 和(cBlue)？ ，（）表示把字符归为一组，？表示匹配0个或者1个，也就是说，有的或者没有的都能匹配到，并且存储在组里。
第二：在每个排名的后面加了一个点。比如03.
解决方法：
利用转义符 \
以后遇到类似的排名网站可以，比如op.gg，就能用这个方法解决了。
代码：
results = re.findall(‘<li>.*?songNum (topRed)?">(.*?)\..*?href="(.*?)".*?songName (cBlue)?">(.*?)</a>‘,string,re.S) for result in results: print(result[1],result[2],result[4])
遇到第二种解决方法了：
results = re.sub(‘topRed‘,‘‘,string) results1 = re.sub(‘cBlue‘,results) results2 = re.findall(‘<li>.*?songNum ">(.*?)\..*?href="(.*?)".*?songName ">(.*?)</a>‘,results1,re.S) for result in results2: print(result[0],result[1],result[2])
用sub函数把topRed和cBlue给替换成空字符串
然后再按照原来写的正则表达式来抓取
