照葫蘆畫瓢抓數據1：用sublime和網頁源代碼提取數據

終於開始正式爬取數據的學習啦，我是數據小白，只是看著大佬們傳授數據心得，終於下定決心開始學習。開個欄，寫寫學著造輪子的心得和遇到的問題，目標是爬蟲王~

之前看過一些專欄，前期目標是用現有工具收集數據/爬蟲，然後中期打好python html css SQL 基礎，後期從靜態網站開始，慢慢學動態、反反爬、多線程、攻克驗證碼（話說現在知乎都要點擊倒立字體來驗證登陸了T_T）。順道再學點數據分析可視化，中間會借鑒學習大佬們的經驗，也會遇到很多bug，還請大家多多指教

來正題，不會爬蟲怎麼獲取數據？ @胖二

剛剛新鮮跟著學習的方法，比如這個，收集手機品牌信息，數據比較規整，可以右鍵查看網頁源代碼，然後copy到sublime上面；sublime支持正則表達式，找到想要的數據對應的源碼，例如：

<li><a href="/pioneer/" target="_blank"><img src="http://p.abcache.com/image/brand/pioneer.gif" alt="先鋒"/></a></li> 下面是另一行

<li><a href="/toshiba/" target="_blank"><img data-original="http://p.abcache.com/image/brand/toshiba.gif" alt="東芝"/></a></li>

這裡我自己試試發現一個問題，img 給了src 和 data-original 兩種屬性，所以照原先<li><a href=".+" target=".+"><img data-original=".+" alt=".+"/></a></li>的正則表達式篩選，會漏掉一些手機品牌信息，雖然不太懂，但是擴大一下範圍，改成<li><a href=".+" target=".+"><img .+ alt=".+"/></a></li>再試一下，就可以篩選全部的數據了。

然後find all, copy, 替換原代碼，再用<li><a href=".+" target="_blank"><img .+ alt="篩去刪除品牌前面的字元；用"/></a></li>全選篩除後續字元，就可以了。。。嗎？？？

出問題了，有多餘的非相關數據，如下：

回到源碼看一下：

這裡的均符合我們正則表達式的篩選規則，但是在alt="文本" 後多了width_="72" height="72" border="0"的額外參數設置，所以目前還要解決這個問題，是乾脆直接構建更精準的正則表達式呢？還是分次篩選刪除呢？還想請了解的大佬和原作 @胖二 不吝指點。

謝謝大家，有新方法我會更新，下期試試excel笨人複製網頁規整數據。

——————————————————————————————————————

親測有效笨方法：.+" width_="72" height="72" border="0再度找到多餘數據，全選刪除；

但是還是希望能有精確直接的方法，一步到位選擇所需數據，要啃正則表達式啦

推薦閱讀：