V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
Koge
V2EX  ›  Python

求教 python 网站爬虫过滤出图片 url 的问题

  •  
  •   Koge · 2016-02-19 09:24:50 +08:00 · 4035 次点击
    这是一个创建于 3212 天前的主题,其中的信息可能已经有所发展或是发生改变。

    下面代码是在图片网站上截取的,想问下用 Python 爬虫,怎样才能过滤出 images 下面不同 size 的图片 url 呢?

    "images": [{
                "size": "watermark",
                "url": "https:\/\/drscdn.500px.org\/photo\/original\/store\/67585293\/m%3D900_k%3D2_b%3D2_dpi%3D300_attachment%3D1_tags%3D1\/e47f93b520c772b2612bef1ff2fa77ae"
            },
            {
                "size": "280",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D280_s%3D1\/a967861eaf97496c9243c9aaccb63502"
            },
            {
                "size": "560",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D560_s%3D1\/90e4feec7585c24a5f1d45b1ee21262b"
            },
            {
                "size": "600",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D600_s%3D1\/aa4e4a084ea37fa1ce8a82c3865ce43a"
            },
            {
                "size": "115",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D115_h%3D115_s%3D1\/8fae531a821e375dda4f4938b0b5829f"
            },
            {
                "size": "160",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D160_h%3D160_s%3D1\/0e4a9829237dd66700a27ebed6d8f761"
            },
            {
                "size": "2048",
                "url": "https:\/\/drscdn.500px.org\/photo\/67585293\/w%3D2048\/d8142c223fa99fc99b9bd4a1b44462eb"
            }],
    
    12 条回复    2016-02-19 11:55:29 +08:00
    yahoo21cn
        1
    yahoo21cn  
       2016-02-19 09:30:27 +08:00
    正则
    mgna17
        2
    mgna17  
       2016-02-19 09:56:14 +08:00
    比如这样么
    re.findall(r'(?<=url\":\s\").+?(?=\}\,)', your_text)
    jarlyyn
        3
    jarlyyn  
       2016-02-19 09:56:34 +08:00
    首先,这个明显是 json 的一部分。

    其次, 500px 自己就有公开的 api 。
    Ncer
        4
    Ncer  
       2016-02-19 09:56:48 +08:00
    这种格式的用 json 解析一下
    annielong
        5
    annielong  
       2016-02-19 09:59:59 +08:00
    明显是 json ,格式化一下后输出就可以了,不用正则吧
    popok
        6
    popok  
       2016-02-19 10:19:55 +08:00
    @annielong 对, json 直接操作就行,格不格式化只是给自己好看点而已。
    magicdawn
        7
    magicdawn  
       2016-02-19 10:28:53 +08:00
    拿到 json 字符串, 找到 `"images": [` 左大括号 index, 计算出右大括号 index, slice, json.load
    magicdawn
        8
    magicdawn  
       2016-02-19 10:29:07 +08:00
    中括号...
    Koge
        9
    Koge  
    OP
       2016-02-19 10:55:14 +08:00
    @magicdawn 怎样才能从 html 里面解析并且拿到 json 字符串呢?
    imn1
        10
    imn1  
       2016-02-19 11:08:56 +08:00
    正则执行效率高, json 开发效率高
    如果 json 不是单独一个文件或 XHR ,而是嵌入在页面或某个 js 里面,建议还是正则快
    Frapples
        11
    Frapples  
       2016-02-19 11:12:00 +08:00
    import json
    img_info = json.loads(json_str)
    # json_str 就是你抓下来的字符串,从你贴的内容来看是 json 格式的。用此函数解析成 python 的数据结构。
    # 然后你可以 print(img_info)看看
    mikezhang0515
        12
    mikezhang0515  
       2016-02-19 11:55:29 +08:00
    把\/替换成 / 然后匹配 url
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   4406 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 04:07 · PVG 12:07 · LAX 20:07 · JFK 23:07
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.