求教 python 网站爬虫过滤出图片 url 的问题

[Koge]

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"
        }],

[yahoo21cn]

正则

[mgna17]

比如这样么
re.findall(r'(?<=url\":\s\").+?(?=\}\,)', your_text)

[jarlyyn]

首先，这个明显是 json 的一部分。

其次， 500px 自己就有公开的 api 。

[Ncer]

这种格式的用 json 解析一下

[annielong]

明显是 json ，格式化一下后输出就可以了，不用正则吧

[popok]

@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]

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]

中括号...

[Koge]

@magicdawn 怎样才能从 html 里面解析并且拿到 json 字符串呢？

[imn1]

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]

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]

把\/替换成 / 然后匹配 url