匹配中文字符

Tony

我在网上看到爬取百度贴吧的内容，自己写了一个：
其中：我想匹配：见附件一
我只能匹配出数字，不能匹配出汉子字符，搜索了半天，还是不行。
一下是匹配出数字的正则表达式：

1.          
   
2.     def getReply(self):
   
3.         reply = self.getPage(1)
   
4.         pattern = re.compile('<li class="l_reply_num".*?<span.*?>(.*?)</span>.*?>(.*?)</span>',re.S)
   
5.         result = re.search(pattern, reply)
   
6.         if result:
   
7.             print result.group(1)
   
8. 
   
9. 
   

复制代码

这是我要爬取的网页地址：http://tieba.baidu.com/p/4558066833
对应的代码：见附件二


请问，我需要怎样做，才能匹配出：***回复贴，共**页  这种样式？
谢谢！

crossin先生

1. '<li class="l_reply_num".*?<span.*?>(.*?)</span>(.*?)<span.*?>(.*?)</span>'

复制代码

或者你直接手动加上这几个文字，反正都是固定值

hymyg

1. r'\b+回复贴，共\b+页'

复制代码

\b　　匹配0-9的数字

+　　匹配一个或多个字符

\b+　　匹配一个或多个数字

crossin先生

hymyg 发表于 2016-11-21 08:50
\b　　匹配0-9的数字

+　　匹配一个或多个字符

数字是 \d

Tony

crossin先生 发表于 2016-11-21 14:49
数字是 \d

直接加上，简单粗暴。6666！

Tony

那这种呢？


代码如下：

1. import urllib2
   
2. import time
   
3. import re
   
4. class Page:
   
5. def getTotalPageNum(self,url):
   
6.         print self.getCurrentTime(),"正在获取目录页面个数,请稍候"
   
7.         page = self.getPageByURL(url)
   
8.         #匹配所有的页码数,\u4e0b\u4e00\u9875是下一页的UTF8编码
   
9.         pattern = re.compile('<span>.*?<a class="more" style>.*?<a href.*?>(.*?)</a>', re.S)
   
10.         match = re.search(pattern, page)
    
11.         if match:
    
12.             print match.group(1)
    
13.             
    
14.         else:
    
15.             print self.getCurrentTime(),"获取总页码失败"
    
16. 
    
17. 
    
18. page_1 = Page()
    
19. page_1.getTotalPageNum(page_url)
    
20. 
    
21. 
    
22. 需要爬取的地址：http://iask.sina.com.cn/c/83-all-1-new.html

复制代码

我写的正则不对，没有找出来，看了半天。都不知道是哪里出了问题。
谢谢！

crossin先生

Tony 发表于 2016-11-21 17:11
那这种呢？

你去看网页源代码，不要看 elements 里面的代码，这里面是浏览器优化过的
所以导致你写的匹配规则不对。我看到的是 style=""

hymyg

crossin先生 发表于 2016-11-21 14:49
数字是 \d

不好意思，笔误

Tony

hymyg 发表于 2016-11-23 08:55
不好意思，笔误

对了，成功了，谢谢！