re模块和正则表达式
正则 —— 通用的，处理 字符串
正则表达式
正则是一种处理文字的规则
给我们提供一些规则，让我们从杂乱无章的文字中提取有效信息
模块
它只是我们使用python去操作一些问题的工具而已，和要操作的这个东西本身是两件事情
re模块 —— python使用正则
正则规则
需要记忆的特别多:两大类
测试工具http://tool.chinaz.com/regex/
[ ]字符组
表示在一个字符的位置可以出现的所有情况的集合就是一个字符组
# 表示数字的字符组: # [0123456789] # [0-9] # [2-8] # 简写模式必须由小到大 # 表示字母的字符组: # [abcd] # [a-z] # [A-Z]
元字符
# . 匹配除了换行符以外的任意字符 # w 匹配字母或数字或下划线 word # s 匹配任意的空白符 space # d 匹配数字 digit # 匹配一个换行符 next # 匹配一个制表符 table # 匹配一个单词的结尾 # ^ 匹配字符串的开始 # $ 匹配字符串的结尾 # W 匹配非字母或数字或下划线 # D 匹配非数字 # S 匹配非空白符 # a|b 匹配字符a或字符b # () 匹配括号内的表达式，也表示一个组 # [] 匹配字符组中的字符 # [^]匹配除了字符组中字符的所有字符 # 表示匹配任意字符:[wW][dD][sS]
量词
# * 重复零次或多次
# + 重复一次或多次
# ？重复零次或一次
# {n} 重复n次
# {n,} 重复n次或更多次
# {n,m} 重复n到m次
正则匹配:字符量词非贪婪标志
字符:字符、字符组、元字符 表示一个字符位置上可以出现的内容
匹配身份证号实例
15位:首位不能为零，数字组成
18位:首位不能为零，前17位是数字，最后一位可以是数字或者x
# ^[1-9]d{14}(d{2}[0-9x])?$
# ^([1-9]d{16}[0-9x]|[1-9]d{14})$
r'\n' --> r'
'
在在线工具中能执行，放到python的字符串中表示成r就可以正常的执行了
.*? 非贪婪匹配
.*?t 遇到一个t马上停，经典用法
re模块用法
import re
ret = re.findall('a', 'eva egon yuan') # 返回所有满足匹配条件的结果,放在列表里,左边为正则表达式，右边为要匹配的字符串
print(ret) # 结果 : ['a', 'a']
ret = re.search('a', 'eva egon yuan').group()
print(ret) # 结果 : 'a'
# search从左到右依次找，找到一个就回来，需要使用group()获取返回值
# 如果re.search找不到，就返回None，使用group会报错
ret = re.match('a', 'abc').group()
print(ret)
# match从头开始配置，匹配上了需要使用group()来获取返回值
# 匹配不上返回None，使用group会报错
ret = re.split('[ab]', 'abcd') # 先按'a'分割得到''和'bcd',在对''和'bcd'分别按'b'分割，可指定分割次数
print(ret) # ['', '', 'cd']
ret = re.sub('d', 'H', 'eva3egon4yuan4', 1) # 将数字替换成'H'，参数1表示只替换1个
print(ret) # evaHegon4yuan4
ret = re.subn('d', 'H', 'eva3egon4yuan4') # 将数字替换成'H'，返回元组(替换的结果,替换了多少次)
print(ret)
obj = re.compile('d{3}') # 将正则表达式编译成为一个 正则表达式对象，规则要匹配的是3个数字
ret = obj.search('abc123eeee') # 正则表达式对象调用search，参数为待匹配的字符串
print(ret.group()) # 结果 ： 123
ret = re.finditer('d', 'ds3sy4784a') # finditer返回一个存放匹配结果的迭代器
print(ret) # <callable_iterator object at 0x10195f940>
print(next(ret).group()) # 查看第一个结果
print(next(ret).group()) # 查看第二个结果
print([i.group() for i in ret]) # 查看剩余的左右结果
findall和split的优先级
ret = re.findall(r'www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret) # ['oldboy'] 这是因为findall会优先把匹配结果组里内容返回,如果想要匹配结果,取消权限即可
# 分组优先:优先显示括号内部的内容
# 取消分组优先 ?:
ret = re.findall(r'www.(?:baidu|oldboy).com', 'www.oldboy.com')
print(ret) # ['www.oldboy.com']
ret=re.split("(d+)","eva3egon4yuan")
print(ret) # 结果 ：['eva', '3', 'egon', '4', 'yuan']
# 在匹配部分加上（）之后所切出的结果是不同的，
# 没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，
# 这个在某些需要保留匹配部分的使用过程是非常重要的。
search分组命名和引用
# 分组命名和组的引用
ret = re.search("<(?P<tag_name>w+)>w+</(?P=tag_name)>","<h1>hello</h1>")
# 还可以在分组中利用?<name>的形式给分组起名字
# 获取的匹配结果可以直接用group('名字')拿到对应的值
print(ret.group('tag_name')) # 结果 ：h1
print(ret.group()) # 结果 ：<h1>hello</h1>
ret = re.search(r"<(w+)>w+</1>","<h1>hello</h1>")
# 如果不给组起名字，也可以用序号来找到对应的组，表示要找的内容和前面的组内容一致
# 获取的匹配结果可以直接用group(序号)拿到对应的值
print(ret.group(1))
print(ret.group()) # 结果 ：<h1>hello</h1>
匹配整数
# 匹配整数
ret=re.findall(r"d+.d+|(d+)","1-2*(60+(-40.35/5)-(-4*3))")
print(ret) # ['1', '-2', '60', '', '5', '-4', '3']
ret.remove('')
print(ret) # ['1', '2', '60', '5', '4', '3']
爬虫练习
import re
from urllib.request import urlopen
def getPage(url):
response = urlopen(url)
return response.read().decode('utf-8')
def parsePage(s):
com = re.compile(
'<div class="item">.*?<div class="pic">.*?<em .*?>(?P<id>d+).*?<span class="title">(?P<title>.*?)</span>'
'.*?<span class="rating_num" .*?>(?P<rating_num>.*?)</span>.*?<span>(?P<comment_num>.*?)评价</span>', re.S)
ret = com.finditer(s)
for i in ret:
yield {
"id": i.group("id"),
"title": i.group("title"),
"rating_num": i.group("rating_num"),
"comment_num": i.group("comment_num"),
}
def main(num):
url = 'https://movie.douban.com/top250?start=%s&filter=' % num
response_html = getPage(url)
ret = parsePage(response_html)
print(ret)
f = open("move_info7", "a", encoding="utf8")
for obj in ret:
print(obj)
data = str(obj)
f.write(data + "
")
count = 0
for i in range(10):
main(count)
count += 25