re正则模块

一. 正则表达式

正则表达式是对字符串操作的⼀种逻辑公式. 我们⼀般使⽤正则表达式对字符串进行匹配和过滤.

使⽤正则的优缺点:

 优点: 灵活, 功能性强, 逻辑性强.

 缺点: 上⼿难. ⼀旦上手, 会爱上这个东⻄

工具: 各⼤大⽂本编辑器⼀般都有正则匹配功能. 我们也可以去http://tool.chinaz.com/regex/进行在线测试.

正则表达式由普通字符和元字符组成

普通字符:包括大小写字母,数字,在匹配普通字符的时候直接写就可以

元字符:元字符才是正则表达式的灵魂,下面介绍几种主要的.

1.字符组--[]  

2.简单元字符

.　  　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


 　　匹配⼀个换⾏符

	　　 匹配⼀个制表符

　　 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

[]  　　字符组
[^xxx]　　 非xxxx
^ 　　　字符串的开始
$　　　 字符串的结束
| 　　　或者

() 　　匹配括号内的表达式，也表示一个组 
[...] 　　 匹配字符组中的字符 
[^...]　　 匹配除了了字符组中字符的所有字符

3.量词

* 　　    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

4.惰性匹配和贪婪匹配

贪婪匹配:
　　.*  匹配尽可能多的字符
　　.+　匹配一次或更多次的字符
惰性:　　
　　.*?x  尽可能少的匹配    匹配到x结束

4.1 在量词中的*, +,{} 都属于贪婪匹配. 就是尽可能多的匹配到结果.

4.2 在使用.*后⾯面如果加了? 则是尽可能的少匹配. 表示惰性匹配

4.3 .*?x的特殊含义 找到下⼀个x为⽌(重点)

1. 分组  在正则中使用()进行分组
2. 转义 比如r’ ’
3. re.S   干掉换行符

二.re模块

re模块是python提供的⼀套关于处理正则表达式的模块. import re

核心功能有四个:

1.findall  查找所有匹配结果

2.finditer 和findall差不多,但是返回的是迭代器  通过group()可以拿到迭代器的值

3.search 搜索  一旦匹配到结果直接返回,匹配不到结果,返回None    通过group()可以拿到返回值

4.match 匹配 从头开始匹配,开头没有匹配到就报错  通过group()可以拿到返回值

# re的工作是在python中执行正则表达式
import re

# # findall  查找匹配所有结果
# result = re.findall("d+", "baby的电话号是: 185123456789")
# print(result) #返回列表['185123456789']
# print(result[0]) #拿到列表里面的值185123456789

# finditer   返回的是迭代器
# it = re.finditer("d+", "baby123456789的电话号是: 185123456789")
# for el in it:
#     print(el.group()) # group()拿到迭代器的值

# search 搜索, 查找
# 一旦匹配到结果. 直接返回, 如果匹配不到结果. 返回None
# result = re.search("d", "宝宝的电话是5916")
# print(result) #<_sre.SRE_Match object; span=(6, 7), match='5'>
# print(result.group())#group()拿到匹配到的值5

# match匹配, 从头开始匹配. 相当于在你正则前面加了一个^
# result = re.match("d+", "宝宝的电话是:157")
# print(result.group())  #报错

# result = re.match("d+", "157宝宝的电话是:")
# print(result.group())  #返回结果157

# search和match的区别:  search查找. 找到了结果就返回. match. 从头开始匹配.

 在python中分组()的使用

　　()分组后,只返回()里面的内容,并且是一个列表

　　给组命名  (?P<name>)

# res=re.findall(r'abcd+def','abc561889564123def')
# print(res) #返回结果['abc561889564123def']

# res=re.findall(r'abc(d+)def','abc561889564123def')
# print(res) #返回结果['561889564123']

# res=re.findall(r'abc(d+)(def)','abc561889564123def')
# print(res) #返回结果[('561889564123', 'def')]

res=re.findall(r'abcd+(def)','abc561889564123def')
print(res) #返回结果['def']

# result = re.finditer(r"姓名:(?P<name>.*?), 爱好:(?P<hobby>.*?),", "姓名:宝宝, 爱好:女,")
# for el in result:
#     print(el.group("name"), el.group("hobby"))

•  re.finditer(re,content,re.S)  必须加re.S

# # 爬取电影天堂
from urllib.request import urlopen
import re

content = urlopen("https://www.dytt8.net/html/gndy/dyzz/20181219/57954.html").read().decode("gbk")
# # print(content)
#
#这里的re匹配后,只拿到()里面的内容,其他内容都过滤
reg = r'<div id="Zoom">.*?片　　名(?P<name>.*?)<br />◎年　　代(?P<years>.*?)<br />.*?◎上映日期(?P<date>.*?)<br />'+ 
'.*?◎主　　演(?P<main>.*?)◎简　　介.*?<td style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)">'
#
it = re.finditer(reg, content, re.S) # re.S 去掉.里面的

#
for el in it:
    print(el.group("name"))
    print(el.group("years"))
    print(el.group("date"))
    print(el.group("main").replace("<br />　　　　　　", ", "))
    print(el.group("download"))

re的一些其他操作

　　compile()编译    先编译正则,在执行

　　group()  获取数据

　　re.sub  替换

　　re.subn  替换计数

　　re.split   切片

# # 正则的常用操作

#1.切片
# result = re.split("d+", "宝宝110来找你了. 你回头收拾收拾去119报道")
# print(result)

# 用正则替换
# s = re.sub("d+", "__sb__", "宝宝110来找你了. 你回头收拾收拾去119报道")
# print(s)

# s = re.subn("d+", "__sb__", "宝宝110来找你了. 你回头收拾收拾去119报道") # 替换了xxx次
# print(s)


# code = "for i in range(10): print(i)"
# c = compile(code, "", "exec") # 编译
# exec(c) # 快速执行

#re中compile的使用,先编译正则,在执行
# reg = re.compile(r"d+") # 编译了一段正则. 加载了一段正则
# lst = reg.findall("呵呵, 宝宝才不去110呢.他要去120了")
# print(lst)
#
# re.findall(r"d+", "呵呵, 宝宝才不去110呢.他要去120了")

# lst = re.findall(r"a(?:d+)c", "a123456c") # 把括号python中的分组变成了原来正则表达式中的分组
# print(lst)