正则表达式 & re

本节主要内容:

1.正则表达式

2.re模块的使用

一.正则表达式

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），

计算机科学的一个概念。正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.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.

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

正则表达式有普通字符和元字符组成. 普通字符包含大小写字母,数字. 在匹配普通字符的时候我们直接写就可以了.

元字符:元字符才是正则表达式的灵魂.

1.字符组

字符组用[]括起来. 在[]中出现的内容会被匹配.例如:[abc] 匹配a或b或c

如果字符组的内容过多还可以使用-,例如: [a-z] 匹配a到z之间的所有字⺟ [0-9] 匹配所有阿拉伯数字

2.简单元字符

常用的元字符:

 . 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
() 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

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

在量词中的*,+,{}都属于贪婪匹配.就是尽可能多的匹配到结果

str: 麻花藤昨天让英雄联盟关服了
reg: 麻花藤.*
此时匹配的是整句话

在使用.*后面如果加上?则是尽可能少的匹配.表示惰性匹配

str: 麻花藤昨天让英雄联盟关服了
reg: 麻花藤.*?
此时匹配的是 麻花藤
str: <div>胡辣汤</div>
reg: <.*>
结果: <div>胡辣汤</div>
str: <div>胡辣汤</div>
reg: <.*?>
结果: 
 <div>
 </div>
str: <div>胡辣汤</div>
reg: <(div|/div*)?>
结果:
 <div>
 </div>

.*?x思维特殊含义,找到下一个x为止

str: abcdefgxhijklmn
reg: .*?x
结果:abcdefgx

5.分组

在正则中使用()进行分组.括号中的内容表示一个元字符.

例如:我们要匹配⼀个相对复杂的⾝份证号. ⾝份证号分成两种. 老的⾝份证号有15位.

新的⾝份证号有18位. 并且新的⾝份证号结尾有可能是x.我们可以使用下列正则:

给出以下正则:
^[1-9]d{13,16}[0-9x]$
^[1-9]d{14}(d{2}[0-9x])?$
^([1-9]d{16}[0-9x]|[1-9]d{14})$

6.转义

在正则表达式中, 有很多有特殊意义的是元字符, ⽐如和s等,如果要在正则中匹配正常的" "⽽

不是"换⾏符"就需要对""进⾏转义, 变成'\'.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" ", 字

符串中要写成'\n', 那么正则⾥就要写成"\\n",这样就太麻烦了. 这个时候我们就⽤到了r' '这个概念,

此时的正则是r'\n'就可以了.

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.核心功能有四个:

1.findall 查找所有.返回list

import re

lst = re.findall("m", "mai le fo len, mai ni mei a !")
print(lst)  # ['m', 'm', 'm']

lst = re.findall(r"d+", "5点之前, 要给我500万")
print(lst)  # ['5', '500']

2.search 会进行匹配.但是如果匹配到了第一个结果.就会返回这个结果.如果匹配不到search返回的则是None

ret = re.search(r'd', '5点之前. 你要给我5000万').group()
print(ret) # 5

3.match只能从字符串的开头进行匹配,匹配不到会报错

ret = re.match('a', 'abc').group()
print(ret) # a

4.finditer 和 findall差不多.只不过返回的是迭代器

it = re.finditer("m", "mai le fo len, mai ni mei!")
for el in it:
    print(el.group()) # 依然需要分组

5.其他操作

import re

ret = re.split('[ab]', 'qwerafjbcd') # 先按'a'分割得到'qwer'和'fjbcd',在对'qwer'和'fjbcd'分别按'b'分割
print(ret) # ['qwer', 'fj', 'cd']

ret = re.sub(r"d+", "_sb_", "alex250taibai250wusir250ritian38") # 把字符串中的数字换成__sb__
print(ret) # alex_sb_taibai_sb_wusir_sb_ritian_sb_

ret = re.subn(r"d+", "_sb_", "alex250taibai250wusir250ritian38") # 将数字替换成'__sb__'，返回元组(替换的结果,替换了多少次)
print(ret) # ('alex_sb_taibai_sb_wusir_sb_ritian_sb_', 4)

obj = re.compile(r'd{3}') # 将正则表达式编译成为⼀个 正则表达式对象, 规则要匹配的是3个数字
ret = obj.search('abc123eeee') # 正则表达式对象调⽤search, 参数为待匹配的字符串
print(ret.group()) # 结果: 123

# 爬虫重点
obj = re.compile(r'(?P<id>d+)(?P<name>e+)') # 从正则表达式匹配的内容每个组起名字
ret = obj.search('abc123eeee') # 搜索
print(ret.group()) # 结果: 123eeee
print(ret.group("id")) # 结果: 123 # 获取id组的内容
print(ret.group("name")) # 结果: eeee # 获取name组的内容

6.两个坑

注意:在re模块中和我们在线测试工具中的结果可能是不一样的,

import re

ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret)  # ['oldboy'] 这是因为findall会优先把组里的内容的匹配结果返回,如果想要匹配结果,取消权限即可

ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com')
print(ret)  # ['www.oldboy.com']

split里的坑.

import re

ret = re.split("d+","eva3egon4yuan")
print(ret)  # 结果: ['eva', 'egon', 'yuan']

ret = re.split("(d+)","eva3egon4yuan")
print(ret)  # 结果: ['eva', '3', 'egon', '4', 'yuan']

#在匹配部分加上（）之后所切出的结果是不同的，
#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匹配部分的使⽤过程是⾮常重要的。

简易爬虫:

爬取豆瓣top250里的内容

from urllib.request import urlopen
import re


obj = re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?导演: '
                 r'(?P<daoyan>.*?)&nbsp;&nbsp;&nbsp;.*?<span class="rating_num" property='
                 r'"v:average">(?P<fen>.*?)</span>.*?<span>(?P<ren>.*?)人评价</span>', re.S)


def getContent(url):
    content = urlopen(url).read().decode("utf-8")
    return content

def parseContent(content):
    it = obj.finditer(content) # 把页面中所有匹配的内容进行匹配. 返回迭代器
    for el in it:
        yield {
            "name":el.group("name"),
            "daoyan":el.group("daoyan"),
            "ren":el.group("ren"),
            "fen":el.group("fen")
        }




for i in range(10):
    url = "https://movie.douban.com/top250?start=%s&filter="
    g = parseContent(getContent(url))
    f = open("movie.txt", mode="a", encoding="utf-8")
    for el in g:
        f.write(str(el)+"
")
    f.close()