python's thirty-first day for me re模块

正则表达式：

　　re 模块可以读懂你写的正则表达式，根据你写的表达式去执行任务。

　　正则表达式：字符串的操作。

　　使用一些规则来检测字符串是否符合我的要求 —— 表单验证

　　从一段字符串中找到符合我要求的内容 —— 爬虫

　　字符组：字符组代表一个字符位置上可以出现的所有内容。

　　　　1，根据ASCII码来的，范围必须是从小到大的指向。

　　　　2，一个字符组可以有多个范围。

字符组：[字符组]

在同一个位置可能出现的各种字符组成了一个字符组，在正则表达式中用[]表示。

字符分为很多类，比如数字，字母，标点等等。

假如你现在要求一个位置，’只能出现一个数字‘，那么这个位置上的字符只能是0，1，2...9这10个数之一。

字符组


元字符	匹配内容
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线
\s	匹配任意的空白符
\d	匹配数字
\n	匹配一个换行符
\t	匹配一个制表符(tap)
\b	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
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

量词：

量词	用法说明
*	重复零次或更多次
+	重复一次或更多次
？	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	带匹配字符	匹配结果	说明
海.	海燕海娇海东	海燕海娇海东	匹配所有'海.'的字符
^海.	海燕海娇海东	海燕	只从开头匹配"海."
海.$	海燕海娇海东	海东	只匹配结尾的"海.$"

* + ? { }：

正则	待匹配字符	匹配结果	说明
李.?	李杰和李莲英和李二棍子	李杰李莲李二	?表示重复零次或一次，即只匹配"李"后面一个任意字符
李.*	李杰和李莲英和李二棍子	李杰和李莲英和李二棍子	*表示重复零次或多次，即匹配"李"后面0或多个任意字符
李.+	李杰和李莲英和李二棍子	李杰和李莲英和李二棍子	+表示重复一次或多次，即只匹配"李"后面1个或多个任意字符
李.{1,2}	李杰和李莲英和李二棍子	李杰和李莲英李二棍	{1,2}匹配1到2次任意字符

注意：前面的*,+,?等都是贪婪匹配，也就是尽可能匹配，后面加?号使其变成惰性匹配

正则

带匹配字符

匹配结果

说明

李.*?

李杰和李莲英和李二棍子

李

惰性匹配

李.+?

李杰和李莲英和李二棍子

李杰

李莲

李二

惰性匹配

字符集 [ ] [^ ]：

正则	待匹配字符	匹配结果	说明
李[杰莲英二棍子]*	李杰和李莲英和李二棍子	李杰李莲英李二棍子	表示匹配"李"字后面[杰莲英二棍子]的字符任意次
李[^和]*	李杰和李莲英和李二棍子	李杰李莲英李二棍子	表示匹配一个不是"和"的字符任意次
[\d]	456bdha3	4 5 6 3	表示匹配任意一个数字，匹配到4个结果
[\d]+	456bdha3	456 3	表示匹配任意个数字，匹配到2个结果

分组() 与 |(或) [^ ]：

身份证号码是一个长度为15或18个字符的字符串，如果是15位则全部由数字组成，首位不能为0；如果是18位，首位不能为0，且前17位全部是数字，末位可能是数字或x，下面我们尝试用正则来表示：

正则	待匹配字符	匹配结果	说明
^[1-9]\d{13,16}[0-9x]$	110101198001017032	110101198001017032	表示可以匹配一个正确的身份证号
^[1-9]\d{13,16}[0-9x]$	1101011980010170	1101011980010170	表示也可以匹配这串数字，但这并不是一个正确的身份证号码，它是一个16位的数字
^[1-9]\d{14}(\d{2}[0-9x])?$	1101011980010170	False	现在不会匹配错误的身份证号了 ()表示分组，将\d{2}[0-9x]分成一组，就可以整体约束他们出现的次数为0-1次
^([1-9]\d{16}[0-9x]\|[1-9]\d{14})$	110105199812067023	110105199812067023	表示先匹配[1-9]\d{16}[0-9x]如果没有匹配上就匹配[1-9]\d{14}

转义符：

　　在正则表达式中，有很多有特殊意义的是元字符，比如\d和\s等，如果要在正则中匹配正常正常的'\d'而不是'数字'就需要对'\'进行转义，编程‘\\’。

　　在python中，无论是正则表达式，还是待匹配的内容，都是以字符串的形式出现的，在字符串中‘\’也有特殊的含义，本身还需要转义。所以如果匹配一次'\d'，字符串中要写成'\d'，那么正则里就要写成‘\\\d’，这样就太麻烦了，这个时候我们就用到了r‘\d’这个概念，此时的正则是r'\\d'就可以了。

正则	待匹配字符	匹配结果	说明
\d	\d	False	因为在正则表达式中\是有特殊意义的字符，所以要匹配\d本身，用表达式\d无法匹配
\\d	\d	True	转义\之后变成\\，即可匹配
"\\\\d"	'\\d'	True	如果在python中，字符串中的'\'也需要转义，所以每一个字符串'\'又需要转义一次
r'\\d'	r'\d'	True	在字符串之前加r，让整个字符串不转义

贪婪匹配：

　　在满足匹配时，匹配尽可能长的字符串，默认情况下，采用贪婪匹配。

正则

待匹配字符

匹配
结果

说明

<.*>

默认为贪婪匹配模式，会匹配尽量长的字符串

<.*a?>

r'\d'

加上？为将贪婪匹配模式转为非贪婪匹配模式，会匹配尽量短的字符串

几个常用的非贪婪匹配Pattern：

*？    重复任意次，但尽可能少重复。

+?     重复1次或更多次，但尽可能少重复。

??     重复0次或1次，但尽可能少重复。

{n,m}?    重复n到m次，但尽可能少重复。

{n,}?    重复n次以上，但尽可能少重复。

.*? 的用法：

.    是任意字符

*    是取0至 无限长度

？    是非贪婪模式

合在一起就是 取尽量少的任意字符，一般不会单独写，例如：

.*?x

    :就是取前面任意长度的字符，直到一个x出现。

re模块下的常用方法：

　　findall:

import re

# findall接受两个参数：正则表达式 要匹配的字符串

ret = re.findall('a','eva egon yuan')

# 一个列表数据列星的返回值：所有和这条正则匹配的结果。

print(ret)  # ['a', 'a'] 返回所有满足匹配条件的结果，放在列表里。

　　search:

import re

ret = re.search('a','eva egon yuan')

if ret:

    print(ret)  # <_sre.SRE_Match object; span=(2, 3), match='a'>

    print(ret.group())  # a # 找到一个就返回，从结果对象中获取结果。

# 如果匹配到就返回一个结果对象。

# 若是没有匹配到就返回一个None.

findall 和 search 的区别：

　　1，search找到一个就返回，findall是找到所有的才返回。

　　2，findall是直接返回一个结果的列表，search是返回一个对象。

　　match: 意味着在正则表达式中添加了一个 ^ 'a' ---> '^a'

import re

ret = re.match('a','ava egon yuan')

print(ret)  # <_sre.SRE_Match object; span=(0, 1), match='a'>

print(ret.group())  # a

　　1，意味着在正则表达式中添加了一个 ^

　　2，和search一样，匹配到返回的结果对象，没匹配到，返回None.

　　3，和search一样，从结果对象中，获取值，仍然用group.

　　compile:　

　　1，正则表达式——> 根据规则匹配字符串。

　　2，从一个字符串中找到符合规则的字符串——> python

　　3，正则规则 ——编译——> python能理解的语言。

　　4，多次执行，就需要多次编译，浪费时间。

　　5，编译 re.compile() 可以节省时间。

import re

obj = re.compile('\d{3}')

ret = obj.search('abc123eeee')

print(ret.group())  #

　　finditer: 返回一个迭代器可以节省空间

import re

ret = re.finditer('\d','dsfd24sdf324sf')

# 返回一个存放结果的迭代器

print(ret)  # <callable_iterator object at 0x0000016DBB712860>

# print(ret.__next__())   # <_sre.SRE_Match object; span=(4, 5), match='2'>

for i in ret:

    print(i.group())

　　split：

import re

ret = re.split('[ab]','abcd') # 先按‘a’分割得到‘’和‘bcd’在分别按‘b’分割

print(ret)  # ['', '', 'cd']

　　sub:

import re

ret1 = re.sub('\d','H','eva3egon4alex5')

# 若字符串后没有写次数，则默认全部替换。

print(ret1)  # evaHegonHalexH

ret2 = re.sub('\d','H','eva3egon4alex5',2)

# 替换两次

print(ret2) # evaHegonHalex5

　　subn:

import re

ret1 = re.subn('\d','H','eva3egon4yuan5')

# 默认全部替换并返回一个元祖。(替换后的结果,替换了多少次)

print(ret1)  # ('evaHegonHyuanH', 3)

ret2 = re.subn('\d','H','eva3egon4yuan5',1)

# 替换一次

print(ret2) # ('evaHegon4yuan5', 1)

findall的优先级查询：

import re

ret1 = re.findall('www\.(baidu|oldboy)\.com','www.oldboy.com')

# 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。

print(ret1)  # ['oldboy']

# 取消findall中分组的优先权限

ret2 = re.findall('www\.(?:baidu|oldboy)\.com','www.oldboy.com')

# 在分组里的起始，加上 ?: 就可以取消findall中分组的优先权限

print(ret2) # ['www.oldboy.com']

split 的优先级查询：

import re

ret1 = re.split('\d+','eva3egon4yuan5')

print(ret1)  # ['eva', 'egon', 'yuan', '']

ret2 = re.split('(\d+)','eva3egon4yuan5')

print(ret2) # ['eva', '3', 'egon', '4', 'yuan', '5', '']

# 在匹配部分加上()之后所切出的结构是不同的。

# 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部分的使用过程是非常重要的。

匹配标签：

import re

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'))    # h1

print(ret.group())  # <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

ret = re.search(r'<(\w+)>\w+</\1>','<h1>hello</h1>')

print(ret)  # <_sre.SRE_Match object; span=(0, 14), match='<h1>hello</h1>'>

print(ret.group(0)) # <h1>hello</h1>

print(ret.group(1)) # h1

print(ret.group())  # <h1>hello</h1> 默认是 0

匹配整数：

import re

ret = re.findall(r'\d+',"1-2*(60+(-40.35/5)-(-4*3))")

#将小数也拆成整数打印出来了。

print(ret)  # ['1', '2', '60', '40', '35', '5', '4', '3']

ret = re.findall(r'-?\d+\.\d*|(-?\d+)',"1-2*(60+(-40.35/5)-(-4*3))")

# 使用了分组(),在findall中，分组有优先级，所以会先显示分组内。

print(ret)  # ['1', '-2', '60', '', '5', '-4', '3']

ret.remove('')

# 将空字符串移除，就将所有整数匹配出来了。

print(ret)  # ['1', '-2', '60', '5', '-4', '3']

数字匹配：

1、 匹配一段文本中的每行的邮箱

      http://blog.csdn.net/make164492212/article/details/51656638

2、 匹配一段文本中的每行的时间字符串，比如：‘1990-07-12’；

   分别取出1年的12个月（^(0?[1-9]|1[0-2])$）、

   一个月的31天：^((0?[1-9])|((1|2)[0-9])|30|31)$

3、 匹配qq号。(腾讯QQ号从10000开始)  ［1,9］[0,9]{4,}

4、 匹配一个浮点数。       ^(-?\d+)(\.\d+)?$   或者  -?\d+\.?\d*

5、 匹配汉字。             ^[\u4e00-\u9fa5]{0,}$ 

6、 匹配出所有整数

爬虫练习：

import re

import json

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)

    # print('***%s'% ret)

    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='utf-8')

    for obj in ret:

        print(obj)

        data = str(obj)

        f.write(data + '\n')

count = 0

for i in range(10):

    main(count)

    count += 25

flags有很多可选值：

re.I(IGNORECASE)忽略大小写，括号内是完整的写法

re.M(MULTILINE)多行模式，改变^和$的行为

re.S(DOTALL)点可以匹配任意字符，包括换行符

re.L(LOCALE)做本地化识别的匹配，表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境，不推荐使用

re.U(UNICODE) 使用\w \W \s \S \d \D使用取决于unicode定义的字符属性。在python3中默认使用该flag

re.X(VERBOSE)冗长模式，该模式下pattern字符串可以是多行的，忽略空白字符，并可以添加注释

flags