day03_正则表达式

1、数据分类

数据的分类

定义：数据以行为单位，每一个数据表示一个实体的信息。每一行数据的属性都是一样的。

常见的结构化数据为关系型数据库存储数据。
半结构化数据

定义：结构化数据的另一种形式，但是并不符合关系型数据的特点，不能用关系型模型来描述，但是这种数据包含相关标记，有用来分隔语义元素以及字段进行分层的描述。因此也被称为自描述结构。
非结构化数据

定义：没有固定的结构的数据。

常见的非结构化数据有：文档，图片，音频，视频等。

一般非结构化数据，都是通过整体存储他们二进制格式的数据来进行保存。

2、json数据

2.1、json语言概念

js中的语言，用来以【字符串】的形式来保存js中的对象和数组的一种技术。

2.2、js中对象和数组的格式

js的数组：var names = ["zs", "ls", "ww"]
js对象：varuser = {name: "zs", age: 18, height: 170}

2.3、json数据解析

json.loads('json字符串') 将json数据转成python对象(dict, list)
json.dumps('python对象') 将python对象转成json字符串

2.4、json数据的优势

数据量很小
传输效率高

3、正则表达式

3.1、正则表达式的定义

正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组

合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。

3.2、正则表达式的作用

给定的字符串是否符合正则表达式的过滤逻辑（"匹配"）；
通过正则表达式，从文本字符串中获取我们想要的特定部分（"过滤"）。

3.3、正则表达式匹配规则

(1)常用的元字符：

语法	说明	表达式实例	完整匹配的字符串
\d	0-9之间的任意数字	a\dc	a2c
\D	除了\d	a\Dc	abc
\w	数字、字母、下划线中任意一种	a\wc	abc
\W	除了\w	a\Wc	a%c
\n	换行
\s	空白或空格	a\sc	a c
.	除了\n任意字符
\.	用 `\` 转义让`.`代表自身
\b	单词的边界
^	开始	^abc	abc
$	结束	abc$	abc
[\u4e00-\u9fa5]	中文

(3)量词：

语法	说明	表达式实例	完整匹配的字符串
？	匹配前一个字符0或1次	abc?	ab, abc
+	匹配前一个字符1或多次	abc+	abc, abccc
*	匹配前一个字符0或多次	abc*	ab, abccc
{n}	匹配前一个字符n次	ab{2}c	abbc
{n,}	匹配前一个字符n-多次	ab{2,}c	abbc, abbbbc
{n,m}	匹配前一个字符n-m次	ab{1,2}c	abc, abbc

(3)量词：

语法	说明	表达式实例
\|	或者，由于优先级比较低，经常和小括号一起使用	abc\|cd
[0-9]	0-9之间任意一个，相当于\d
[xyz]	x或y或z
[\d\s]	数字或空白中的一个
[.]	体表`.`本身
[+-]	`+`或`-`中的一个
[^xyz]	除了x,y,z任意一个字符

3.4、正则表达式的使用步骤

使用 compile() 函数将正则表达式的字符串形式编译为一个 Pattern 对象
通过 Pattern 对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个 Match 对象。
最后使用 Match 对象提供的属性和方法获得信息，根据需要进行其他的操作

3.5、compile 函数

compile 函数用于编译正则表达式，生成一个 Pattern 对象，它的一般使用形式如下：

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r'\d+')

Pattern 对象的一些常用方法主要有：

match 方法：从起始位置开始查找，一次匹配

search 方法：从任何位置开始查找，一次匹配

findall 方法：全部匹配，返回列表

finditer 方法：全部匹配，返回迭代器

split 方法：分割字符串，返回列表

sub 方法：替换

3.6、pattern对象中方法

3.6.1、match方法

默认从开始位置开始匹配，只匹配一次，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：

match(string[, start, end])

其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。因此，当你不指定 start 和 end 时，match 方法默认匹配字符串的头部。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

>>> import re

>>> pattern = re.compile(r'\d+')  # 用于匹配至少一个数字

>>> m = pattern.match('one12twothree34four')  # 从头部开始查找，没有匹配

>>> print (m)

None

>>> m = pattern.match('one12twothree34four', 2, 10) # 从'e'的位置开始匹配，没有匹配到

>>> print (m)

None

>>> m = pattern.match('one12twothree34four', 3, 10) # 从'1'的位置开始匹配，正好匹配到

>>> print (m)                                         # 返回一个 Match 对象

<_sre.SRE_Match object at 0x10a42aac0>

>>> m.group(0)   # 可省略 0

'12'

>>> m.start(0)   # 可省略 0

3

>>> m.end(0)     # 可省略 0

5

>>> m.span(0)    # 可省略 0

(3, 5)

匹配成功时返回一个match对象，其中：

group（）方法用于获得一个或多个分组匹配的字符串，当要获得整个匹配的子串时，可直接使用 group() 或 group(0)；
start( ) 方法用于获取分组匹配的子串在整个字符串中的起始位置（子串第一个字符的索引），参数默认值为 0；
end( ) 方法用于获取分组匹配的子串在整个字符串中的结束位置（子串最后一个字符的索引+1），参数默认值为 0；
span( ) 方法返回 (start(group), end(group))。



>>> import re

>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I)  # re.I 表示忽略大小写

>>> m = pattern.match('Hello World Wide Web')

>>> print (m)     # 匹配成功，返回一个 Match 对象

<_sre.SRE_Match object at 0x10bea83e8>

>>> m.group(0)  # 返回匹配成功的整个子串

'Hello World'

>>> m.span(0)   # 返回匹配成功的整个子串的索引

(0, 11)

>>> m.group(1)  # 返回第一个分组匹配成功的子串

'Hello'

>>> m.span(1)   # 返回第一个分组匹配成功的子串的索引

(0, 5)

>>> m.group(2)  # 返回第二个分组匹配成功的子串

'World'

>>> m.span(2)   # 返回第二个分组匹配成功的子串

(6, 11)

>>> m.groups()  # 等价于 (m.group(1), m.group(2), ...)

('Hello', 'World')

>>> m.group(3)   # 不存在第三个分组

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

IndexError: no such group

3.6.2、search方法

用于查找字符串的任何位置，它也是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果，它的一般使用形式如下：

search(string[, start, end])

其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

当匹配成功时，返回一个 Match 对象，如果没有匹配上，则返回 None。

>>> import re

>>> pattern = re.compile('\d+')

>>> m = pattern.search('one12twothree34four')  # 这里如果使用 match 方法则不匹配

>>> m

<_sre.SRE_Match object at 0x10cc03ac0>

>>> m.group()

'12'

>>> m = pattern.search('one12twothree34four', 10, 30)  # 指定字符串区间

>>> m

<_sre.SRE_Match object at 0x10cc03b28>

>>> m.group()

'34'

>>> m.span()

(13, 15)

再来看一个例子：

import re

# 将正则表达式编译成 Pattern 对象

pattern = re.compile(r'\d+')

# 使用 search() 查找匹配的子串，不存在匹配的子串时将返回 None

# 这里使用 match() 无法成功匹配

m = pattern.search('hello 123456 789')

if m:

    # 使用 Match 获得分组信息

    print ('matching string:',m.group())

    # 起始位置和结束位置

    print ('position:',m.span())

执行结果：

matching string: 123456

position: (6, 12)

3.6.3、findall方法

默认从头开始匹配，搜索整个字符串，获取所有匹配的结果。它的一般使用形式如下：

findall(string[, start, end])

其中，string 是待匹配的字符串，start 和 end 是可选参数，指定字符串的起始和终点位置，默认值分别是 0 和 len (字符串长度)。

findall 以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。

看看例子：

import re

pattern = re.compile(r'\d+')   # 查找数字

result1 = pattern.findall('hello 123456 789')

result2 = pattern.findall('one1two2three3four4', 0, 10)

print (result1)

print (result2)

执行结果：

['123456', '789']

['1', '2']

再先看一个例子：

import re

pattern = re.compile(r'\d+\.\d*')

#通过partten.findall()方法就能够全部匹配到我们得到的字符串

result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")

#findall 以 列表形式 返回全部能匹配的子串给result

for item in result:

    print (item)

运行结果：

123.141593

3.15

3.6.4、finditer方法

finditer 方法的行为跟 findall 的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match 对象）的迭代器。

看看例子：

import re

pattern = re.compile(r'\d+')

ret1_iter = pattern.finditer('hello 123456 789')

ret2_iter = pattern.finditer('one1two2three3four4', 0, 10)

print(type(ret1_iter))

print(type(ret1_iter))

print('----ret1----')

for m1 in ret1_iter:

    # print(m1)  # m1是一个对象

    print('matching string:{}，position:{}'.format(m1.group(), m1.span()))

print('----ret2----')

for m2 in ret2_iter:

    # print(m2)  # m2是一个对象

    print('matching string:{}，position:{}'.format(m2.group(), m2.span()))

执行结果：

<class 'callable_iterator'>

<class 'callable_iterator'>

----ret1----

matching string:123456，position:(6, 12)

matching string:789，position:(13, 16)

----ret2----

matching string:1，position:(3, 4)

matching string:2，position:(7, 8)

3.6.5、split方法

split 方法按照能够匹配的子串将字符串分割后返回列表，它的使用形式如下：

split(string[, count])

其中，count 用于指定最大分割次数，不指定将全部分割。

看看例子
```
import re

pattern = re.compile(r'[\s\,\;]+')

ret = pattern.split('a,b;;c   d')

print(ret)
```
执行结果：
```
['a', 'b', 'c', 'd']
```

3.6.6、sub方法

sub 方法用于替换。它的使用形式如下：

sub(repl, string[, count])

其中，repl 可以是字符串也可以是一个函数：

如果 repl 是字符串，则会使用 repl 去替换字符串每一个匹配的子串，并返回替换后的字符串，另外，repl 还可以使用 id 的形式来引用分组，但不能使用编号 0；
如果 repl 是函数，这个方法应当只接受一个参数（Match 对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。
count 用于指定最多替换次数，不指定时全部替换。

看看例子：

import re

pattern = re.compile(r'(\w+) (\w+)')

s = 'hello 123, hello 456'

print(pattern.sub('hello world', s)) # 使用 'hello world' 替换 'hello 123' 和 'hello 456'

print(pattern.sub(r'\1 \2', s))  # 引用分组

print('-' * 50)

def fun(m):

    print(m)  # 传递参数必须为一个Match对象

    return 'hi' + ' ' + m.group(2)  # group(0)表示本身，group(1)表示hello，group(2)表示后面的数字

print(pattern.sub(fun, s))  # 每次sub的结果传递给fun

print(pattern.sub(fun, s, 1))  # 只替换一次

执行结果：

hello world, hello world

hello 123, hello 456

------------------------------------------------------------

<_sre.SRE_Match object; span=(0, 9), match='hello 123'>

<_sre.SRE_Match object; span=(11, 20), match='hello 456'>

hi 123, hi 456

<_sre.SRE_Match object; span=(0, 9), match='hello 123'>

hi 123, hello 456

3.7、匹配中文

中文的 unicode 编码范围主要在 [u4e00-u9fa5] ，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。

假设现在想把字符串 title = u'你好，hello，世界' 中的中文提取出来，可以这么做：

import re

title = '你好，hello，世界'

pattern = re.compile(r'[\u4e00-\u9fa5]+')

result = pattern.findall(title)

print (result)

正则表达式前面加上了两个前缀 ur，其中 r 表示使用原始字符串，u 表示是 unicode 字符串。

3.8、贪婪模式与非贪婪模式

婪模式：在整个表达式匹配成功的前提下，尽可能多的匹配 ( * )；
非贪婪模式：在整个表达式匹配成功的前提下，尽可能少的匹配 ( ? )；
Python里数量词默认是贪婪的。

例子一：源字符串：abbbc

使用贪婪的数量词的正则表达式 ab* ，匹配结果： abbb。

* 决定了尽可能多匹配 b，所以a后面所有的 b 都出现了。

使用非贪婪的数量词的正则表达式ab*?，匹配结果： a。

即使前面有 *，但是 ? 决定了尽可能少匹配 b，所以没有 b。

例子二：源字符串：aa<div>test1</div>bb<div>test2</div>cc

使用贪婪的数量词的正则表达式： <div>.*</div>
匹配结果： <div>test1</div>bb<div>test2</div>

这里采用的是贪婪模式。在匹配到第一个</div>时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串。匹配到第二个</div>后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为 <div>test1</div>bb<div>test2</div>

使用非贪婪的数量词的正则表达式 : <div>.*?</div>
匹配结果：<div>test1</div>

正则表达式二采用的是非贪婪模式，在匹配到第一个</div>时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为<div>test1</div> 。