Day 15 正则表达式 re模块

1.正则表达式

　　1.正则表达式不是Python独有的,它是一门独立的技术,如果在python中使用,必须导入re模块,正则表达式用来筛选字符串中的特定内容,一般情况下遇到reg都是与正则有关系

　　2.如果匹配具体内容,可以直接西,不需要正则表达式

　　3.正则表达式一般由元字符与量词组成

　　4.元字符

元字符	匹配内容与注意事项
d	digit   匹配所有数字         注[dD],[Ww],[sS] 任意一组可以匹配任意字符
w	word  匹配字母数字下划线
s	space  匹配所有空格(包括空格,制表符回车)
D	匹配非数字的所有字符
W	匹配所有非字母数字下划线的所有字符
S	匹配所有非空格的所有字符
	匹配回车符
	匹配制表符
	匹配一个单词的结尾
.	匹配除换行符以外的所有字符
^	匹配字符串的开始                                       ^与$合用会精准的限制匹配内容,中间写什么就只匹配什么
$	匹配字符串的结尾
|	或  注:只会匹配或符号两边的其中一个,从左往右,  所以要把长的放在短的前面
[..]	匹配字符组的字符 用[]来限定,一个字符组只针对一个字符,字符组里面的内容都是或的关系  可以[1-9] 但要注意里面数字必须是从小到大
()	匹配括号内的表达式,表示一个组
[^...]	匹配非字符组里字符的内容   ^在字符组里是取反的意思

　　5:量词. 必须跟在正则符号也就时元字符后面,并且量词只能限制它前面紧挨着他的表达式

量词	使用说明
*	匹配0次或无穷大次
+	匹配1次或无穷大次
?	匹配0次或1次
{n}	指定匹配重复n次
{m,n}	指定匹配重复 m-n 次
{m,}	指定匹配重复m次到无穷大次

　　6.转义字符   当我们需要匹配的内容中就是需要匹配 而不是匹配换行符时就需要对 中的转义 如"\n"  "."(匹配.本身) 用转义

　　7.贪婪匹配:  在满足匹配时，匹配尽可能长的字符串   

　　8.惰性匹配:  在正则表达式量词后面加?  如 .*?    .+?  {m,n}?   {n,}?

　　9.   .*? 的用法    .*?x   意思就是取前面任意长度的字符直到遇到X停止

2.re模块: python中使用正则必须使用re模块

　　1. re.findall  语法 re.findall('正则表达式', '待匹配的字符串')

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.findall('d',s)  # 找出字符串中正则表达式全部内容,返回一个列表,列表中元素就时正则匹配到的结果
print(res)  # ['1', '4', '1', '4', '5', '3', '5']

　　2. re.search  语法: re.search('正则表达式', '待匹配的字符串')

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.search('d',s)  # 只会依据正则查一次 只要查到了结果 就不会再往后查找
print(res)  # 不会直接返回匹配到的结果,而返回一个对象   没匹配到返回None
print(res.group())   # 1   必须用group 才能看到匹配到的结果  如果没匹配到会报错

　　3. re.match    语法: re.match('正则表达式', '待匹配的字符串')

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.match('d',s)  # 只会匹配字符串开头部分
print(res)  # 不会直接返回匹配到的结果,而返回一个对象   没匹配到返回None
print(res.group())   # 1   必须用group 才能看到匹配到的结果  如果没匹配到会报错

　　4. group   当使用re.search与re.match 时会返回一个对象.需要用group取值

　　5. re.split  语法: re.split('正则表达式', '待匹配的字符串',切割次数)

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.split('d',s)  # 以匹配到的结果对字符串进行分割 返回一个列表
print(res)  # ['', 'hkj', 'h', '', 'v', 'gh', '', 'mbjkkjk']

　　6 .re.sub  语法: re.sub('正则表达式','新的内容' ,'待匹配的字符串',替换次数)

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.sub('d','哈哈',s)  # 将s中每一个能被匹配到的替换成哈哈  
print(res)  # 哈哈hkj哈哈h哈哈哈哈v哈哈gh哈哈哈哈mbjkkjk

　　7. re.subn 语法: re.subn('正则表达式','新的内容' ,'待匹配的字符串',替换次数)

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.subn('d','哈哈',s)  # 将s中每一个能被匹配到的替换成哈哈,返回一个元组,第二个元素是共替换的次数
print(res)  # ('哈哈hkj哈哈h哈哈哈哈v哈哈gh哈哈哈哈mbjkkjk', 7) 

　　8. re.compile  语法: re.compile('正则表达式')   将传入的正则表达式一次性编译,可以拿到任意地方运行.节省时间,提高开发效率

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.compile('[0-9]')  
print(re.findall(res,s))  # ['1', '4', '1', '4', '5', '3', '5']

　　9. re.finditer  语法: re.finditer('正则表达式', '待匹配的字符串')  返回一个存放匹配结果的迭代器  节省内存空间

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.compile('[0-9]')
res1 = re.finditer(res,s)
print(next(res1).group())   # 通过next得到一个对象,用group取值
print(next(res1).group())
print(next(res1).group())
print(next(res1).group())
print(next(res1).group())
print(next(res1).group())
print(next(res1).group())  # 当值取完继续去触发StopIteration异常

　　10 re模块中分组的使用:

　　　　(1)  按分组取

import re
res = re.search('^[1-9](d{14})(d{2}[0-9x])?$','130120122232422159')
print(res.group())
print(res.group(0))  # 与group 等价
print(res.group(1))  # 第一个分组匹配到的内容
print(res.group(2))  # 第二哥分组匹配到的内容

　　　　(2) 起别名  在分组内使用 ?P<名字> 起别名,注意P大写,  注意用别名访问时别名需要加引号

import re
res = re.search('^[1-9](?P<name>d{14})(?P<pwd>d{2}[0-9x])?$','130120122232422159')
print(res.group())
print(res.group(0))  # 与group 等价
print(res.group(1))  # 第一个分组匹配到的内容
print(res.group(2))  # 第二哥分组匹配到的内容
print(res.group('name'))  # name 匹配的内容
print(res.group('pwd'))  # pwd 匹配的内容

　　　　(3)  使用re.findall 分组存在时,分组优先      在分组内使用?:  取消优先

import re
ret1 = re.findall('www.(baidu|163).com', 'www.163.com')  # 分组优先
print(ret1)   # ['163']
ret2 = re.findall('www.(?:baidu|163).com', 'www.163.com')  # 分组内使用?:取消分组优先
print(ret2)  # ['www.163.com']

　　　　(4) 使用re.split 分组存在时不会将 匹配到内容丢掉

import re
s = '1hkj4h14v5gh35mbjkkjk'
res = re.split('(d)',s) 
print(res)  # ['', '1', 'hkj', '4', 'h', '1', '', '4', 'v', '5', 'gh', '3', '', '5', 'mbjkkjk']

3 爬虫案例.

import requests

import re
import json


def getPage(url):
    response = requests.get(url)
    return response.text


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)

    f = open("move_info7", "a", encoding="utf8")

    for obj in ret:
        print(obj)
        data = json.dumps(obj, ensure_ascii=False)
        f.write(data + "
")


if __name__ == '__main__':
    count = 0
    for i in range(10):
        main(count)
        count += 25