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]

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。。。