PYTHON爬虫 这句正则不知道该怎么写

Question

刚开始学python，对爬虫和正则表达式这部分还不是很熟悉。

我现在准备爬取下面这段源码的href和title部分，爬href中的网址后，要在每个网址前面加上"http://www.infoq.com" ，用到的库是urllib2和re.

我现在碰到的问题时，我能够把网址或者title单独爬下来，但是没有办法一起爬下来。同时爬下来后有重复，因为网址和title在下面的源码中出现了两次。我不知道这个正则表达该怎么写才正确。求教各位前辈指点迷津～

    href="/cn/presentations/kanban-instantiation"

 title="实例化看板">

                   <div class="movie">
                       <img src="http://cdn.infoqstatic.com/statics_s2_20150424-0221/resource/presentations/kanban-instantiation/zh/mediumimage/Snip20140804_27.png"/>
                       <span class="videolength">33:08</span>
                   </div>
               </a>



            <h2 class="itemtitle">
                   <a

    href="/cn/presentations/kanban-instantiation"

 title="实例化看板">

                       实例化看板
                   </a>

Answer 1

谈一点个人最近写爬虫的看法，可能有点答不对题。 最近和班里的人一起在用python写爬虫，有同学写爬虫的时候用正则表达式去来寻找html元素的方式。但是反应正则表达式有点难，解析起来非常费劲。 正则表达式这个东西我个人的看法是会用就行，实在不行了再自己写。 剩下的很多同学写爬虫都是采用htmlparser和beautifulsoup，就是利用第三方库，这样写起来非常的方便，不用写复杂的正则表达式了。很快就能上手而且效率上也很高。 推荐一篇我入门爬虫的文章，希望对你有帮助iOS程序员如何使用python写网路爬虫

Answer 2

用 xpath，正则能不用尽量不用。

Answer 3

一直都是用 urllib + re 写爬虫的。。 楼主可以试一下scrapy