Python(collections模块,re模块)
一、collections模块
在内置数据类型（dict、list、set、tuple）的基础上，collections模块还提供了几个额外的数据类型：Counter、deque、defaultdict、namedtuple和OrderedDict等。
-
namedtuple: 生成可以使用名字来访问元素内容的tuple
我们知道
tuple可以表示不变集合，例如，一个点的二维坐标就可以表示成：>>> p = (1, 2)但是，看到(1, 2)，很难看出这个tuple是用来表示一个坐标的。
这时，
namedtuple就派上了用场：>>> from collections import namedtuple >>> Point = namedtuple('Point', ['x', 'y']) >>> p = Point(1, 2) >>> p.x 1 >>> p.y 2类似的，如果要用坐标和半径表示一个圆，也可以用
namedtuple定义：#namedtuple('名称', [属性list]): Circle = namedtuple('Circle', ['x', 'y', 'r']) -
deque: 双端队列，可以快速的从另外一侧追加和推出对象
使用list存储数据时，按索引访问元素很快，但是插入和删除元素就很慢了，因为list是线性存储，数据量大的时候，插入和删除效率很低。
deque是为了高效实现插入和删除操作的双向列表，适合用于队列和栈：
>>> from collections import deque >>> q = deque(['a', 'b', 'c']) >>> q.append('x') >>> q.appendleft('y') >>> q deque(['y', 'a', 'b', 'c', 'x'])deque除了实现list的
append()和pop()外，还支持appendleft()和popleft()，这样就可以非常高效地往头部添加或删除元素。 -
Counter: 计数器，主要用来计数
Counter类的目的是用来跟踪值出现的次数。它是一个无序的容器类型，以字典的键值对形式存储，其中元素作为key，其计数作为value。计数值可以是任意的Interger（包括0和负数）。Counter类和其他语言的bags或multisets很相似。
c = Counter('abcdeabcdabcaba') print c 输出：Counter({'a': 5, 'b': 4, 'c': 3, 'd': 2, 'e': 1}) -
OrderedDict: 有序字典
使用dict时，Key是无序的。在对dict做迭代时，我们无法确定Key的顺序。
如果要保持Key的顺序，可以用
OrderedDict：>>> from collections import OrderedDict >>> d = dict([('a', 1), ('b', 2), ('c', 3)]) >>> d # dict的Key是无序的 {'a': 1, 'c': 3, 'b': 2} >>> od = OrderedDict([('a', 1), ('b', 2), ('c', 3)]) >>> od # OrderedDict的Key是有序的 OrderedDict([('a', 1), ('b', 2), ('c', 3)])注意，
OrderedDict的Key会按照插入的顺序排列，不是Key本身排序：>>> od = OrderedDict() >>> od['z'] = 1 >>> od['y'] = 2 >>> od['x'] = 3 >>> od.keys() # 按照插入的Key的顺序返回 ['z', 'y', 'x'] -
defaultdict: 带有默认值的字典
有如下值集合[11,22,33,44,55,66,77,88,99,90...],将所有大于66的值保存至字典的第一个key中，将小于66的值保存至第二个key的值中。
即： {'k1': 大于66, 'k2': 小于66}
li = [11,22,33,44,55,77,88,99,90] result = {} for row in li: if row > 66: if 'key1' not in result: result['key1'] = [] result['key1'].append(row) else: if 'key2' not in result: result['key2'] = [] result['key2'].append(row) print(result)from collections import defaultdict values = [11, 22, 33,44,55,66,77,88,99,90] my_dict = defaultdict(list) for value in values: if value>66: my_dict['k1'].append(value) else: my_dict['k2'].append(value)使用
dict时，如果引用的Key不存在，就会抛出KeyError。如果希望key不存在时，返回一个默认值，就可以用defaultdict：>>> from collections import defaultdict >>> dd = defaultdict(lambda: 'N/A') >>> dd['key1'] = 'abc' >>> dd['key1'] # key1存在 'abc' >>> dd['key2'] # key2不存在，返回默认值 'N/A'
二、re模块
正则表达式 : 从一大堆字符串中,找出你想要的字符串,在于对你想要得这个字符串进行一个精确地描述,与爬虫息息相关,方法非常多,匹配规则
-
什么是正则
正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。或者说：正则就是用来描述一类事物的规则。（在Python中）它内嵌在Python中，并通过 re 模块实现。正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。
元字符匹配内容w 匹配字母（包含中文）或数字或下划线 W 匹配非字母（包含中文）或数字或下划线 s 匹配任意的空白符 S 匹配任意非空白符 d 匹配数字 D p匹配非数字 A 从字符串开头匹配 z 匹配字符串的结束，如果是换行，只匹配到换行前的结果 匹配一个换行符 匹配一个制表符 ^ 匹配字符串的开始 $ 匹配字符串的结尾 . 匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。 [...] 匹配字符组中的字符 [^...] 匹配除了字符组中的字符的所有字符 * 匹配0个或者多个左边的字符。 + 匹配一个或者多个左边的字符。 ？ 匹配0个或者1个左边的字符，非贪婪方式。 {n} 精准匹配n个前面的表达式。 {n,m} 匹配n到m次由前面的正则表达式定义的片段，贪婪方式 a|b 匹配a或者b。 () 匹配括号内的表达式，也表示一个组 -
匹配模式举例
# ----------------匹配模式-------------------- # 1,之前学过的字符串的常用操作：一对一匹配 # s1 = 'fdskahf九阳神功' # print(s1.find('九阳')) # 7 # 2，正则匹配： # 单个字符匹配 import re # w 与 W # w 匹配,数字,字母下划线,中文 # W 匹配除了小w能匹配的其他剩余符号 # print(re.findall('w', '九阳sg 12*() _')) # ['九', '阳', 's', 'g', '1', '2', '_'] # print(re.findall('W', '九阳sg 12*() _')) # [' ', '*', '(', ')', ' '] # s 与S # s 匹配的空格, , # S 匹配除了s的其它 # print(re.findall('s','九阳sg*(_ ')) # [' ', ' ', ' ', ' '] # print(re.findall('S','九阳shengong*(_ ')) # ['九', '阳', 's', 'g', '*', '(', '_'] # d 与 D # d 匹配的是数字,同时制作规则可以指定,dd ['12','23'...] # D 匹配除了d的其它 # print(re.findall('d','1234567890 shen *（_')) # ['1', '2', '3', '4', '5', '6', '7', '8', '9', '0'] # print(re.findall('D','1234567890 shen *（_')) # [' ', 's', 'h', 'e', 'n', ' ', '*', '（', '_'] # A 与 ^ 匹配规则相同,从开头匹配,相同就拿出来不同就[] # print(re.findall('Ahel','hello 九阳神功 -_- 666')) # ['hel'] # print(re.findall('^hel','hello 九阳神功 -_- 666')) # ['hel'] # 与 $ 匹配规则相同,从结尾匹配,相同就拿出来不同就[] # print(re.findall('666','hello 九阳神功 *-_-* 666')) # ['666'] # print(re.findall('666$','hello 九阳神功 *-_-* 666')) # ['666'] # 与 # 匹配换行符 # 匹配制表符 # print(re.findall(' ','hello 九阳神功 *-_-* 666')) # [' ', ' '] # print(re.findall(' ','hello 九阳神功 *-_-* 666')) # [' ', ' '] # 重复匹配 # 元字符匹配 # . ? * + {m,n} .* .*? # . 匹配任意一个字符，如果匹配成功光标则移到匹配成功的字符后,未成功光标则正常移动,除了换行符（re.DOTALL 这个参数可以匹配 ）。 # print(re.findall('a.b', 'ab aab a*b a2b a九b a b')) # ['aab', 'a*b', 'a2b', 'a九b'] # print(re.findall('a.b', 'ab aab a*b a2b a九b a b',re.DOTALL)) # ['aab', 'a*b', 'a2b', 'a九b'] # ？匹配0个或者1个由左边的字符定义的片段 # print(re.findall('a?b', 'ab aab abb aaaab a九b aba**b')) # ['ab', 'ab', 'ab', 'b', 'ab', 'b', 'ab', 'b'] # * 匹配0个或者多个左边字符表达式。 满足贪婪匹配 # print(re.findall('a*b', 'ab aab aaab abbb')) # ['ab', 'aab', 'aaab', 'ab', 'b', 'b'] # print(re.findall('ab*', 'ab aab aaab abbbbb')) # ['ab', 'a', 'ab', 'a', 'a', 'ab', 'abbbbb'] # + 匹配1个或者多个左边字符表达式。 满足贪婪匹配 # print(re.findall('a+b', 'ab aab aaab abbb')) # ['ab', 'aab', 'aaab', 'ab'] # {m,n} 匹配m个至n个左边字符表达式 满足贪婪匹配 # print(re.findall('a{2,4}b', 'ab aab aaab aaaaabb')) # ['aab', 'aaab'] # .* 贪婪匹配 从头到尾,遇到换行符 会断掉 # print(re.findall('a.*b', 'ab aab a*()b')) # ['ab aab a*()b'] # .*? 此时的?不是对左边的字符进行0次或者1次的匹配, # 而只是针对.*这种贪婪匹配的模式进行一种限定:告知他要遵从非贪婪匹配 推荐使用! # print(re.findall('a.*?b', 'ab a1b a*()b, aaaaaab')) # ['ab', 'a1b', 'a*()b'] # []: 可以放任意规则,但是一个中括号代表一个字符 # - 在[]中表示范围,如果想要匹配上- 那么这个-符号不能放在中间. # ^ 在[]中表示取反的意思. # print(re.findall('a.b', 'a1b a3b aeb a*b arb a_b')) # ['a1b', 'a3b', 'a4b', 'a*b', 'arb', 'a_b'] # print(re.findall('a[abc]b', 'aab abb acb adb afb a_b')) # ['aab', 'abb', 'acb'] # print(re.findall('a[0-9]b', 'a1b a3b aeb a*b arb a_b')) # ['a1b', 'a3b'] # print(re.findall('a[a-z]b', 'a1b a3b aeb a*b arb a_b')) # ['aeb', 'arb'] # print(re.findall('a[a-zA-Z]b', 'aAb aWb aeb a*b arb a_b')) # ['aAb', 'aWb', 'aeb', 'arb'] # print(re.findall('a[0-9][0-9]b', 'a11b a12b a34b a*b arb a_b')) # ['a11b', 'a12b', 'a34b'] # print(re.findall('a[*-+]b','a-b a*b a+b a/b a6b')) # ['a*b', 'a+b'] # - 在[]中表示范围,如果想要匹配上- 那么这个-符号不能放在中间. # print(re.findall('a[-*+]b','a-b a*b a+b a/b a6b')) # ['a-b', 'a*b', 'a+b'] # print(re.findall('a[^a-z]b', 'acb adb a3b a*b')) # ['a3b', 'a*b'] # 分组: # () 制定一个规则,将满足规则的结果匹配出来 # print(re.findall('(.*?)_b', 'al_b wu_b 热_b')) # ['al', ' wu', ' 热'] # 应用举例: # print(re.findall('href="(.*?)"','<a href="http://www.baidu.com">点击</a>'))#['http://www.baidu.com'] -
命名分组举例（了解）
# 命名分组匹配： 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 = relx.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>