python正则表达式

一、常用方法

findall:匹配所有符合规律的内容，返回包含结果的列表

search：匹配并提取第一个符合规律的内容，返回一个正则表达式对象（Object）

sub：替换符合规律的内容，返回替换后的值。

S：表示多行匹配

注意:findall与search的区别：

findall会遍历整个加载范围里的内容，并逐一返回匹配到的内容；

而search一旦匹配到指定内容就不再往下匹配，返回结果，搜索结束。

二、常用符号：

.号：匹配任意字符，换行符除外

>>> import re
>>> a='xy123'
>>> b=re.findall('x.',a)
>>> print (b)
['xy']
>>> b=re.findall('x..',a)
>>> print (b)
['xy1']

*号：匹配前一个字符0次或无限次

>>> a='xyxy123'
>>> b=re.findall('x*',a)
>>> print (b)
['x', '', 'x', '', '', '', '', '']

？号：匹配前一个字符0次或1次

>>> a='xyxy123'
>>> b=re.findall('x.?',a)
>>> print b
['x', '', 'x', '', '', '', '', '']

注意：' '表示是匹配0次

+号：匹配前一个字符至少一次（一次或多次）

>>> a='xyxy123'
>>> b=re.findall('x+',a)
>>> print b
['x', 'x']

.*号：贪心算法

>>> import re
>>> secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
>>> b=re.findall('xx.*xx',secret_code)
>>> print b
['xxIxxfasdjifja134xxlovexx23345sdfxxyouxx']

.*?号:非贪心算法

>>> import re
>>>secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
>>> b=re.findall('xx.*?xx',secret_code)
>>> print b
['xxIxx', 'xxlovexx', 'xxyouxx']

（）:括号内的数据作为结果返回

>>> import re
>>>secret_code='hadkfalifexxIxxfasdjifja134xxlovexx23345sdfxxyouxx8dfse'
>>> b=re.findall('xx(.*?)xx',secret_code)
>>> print b
['I', 'love', 'you']

#匹配纯数据方法举例（d+）

>>> a='asdfefrg137143fdfhxs4321ddfdvsdf543dd'
>>> b=re.findall('(d+)',a)
>>> print b
['137143', '4321', '543']

当匹配指定内容是，若遇到具有特殊意义的字符，如|、、?等，需要用去掉特定含义。

例

s='>1ABA:A|PDBID|CHAIN|SEQUENCE'
re.findall('>(.*?)|',s)
['1ABA:A']

search（）和group（）配套使用

正则表达式中，group（）用来提出分组截获的字符串，（）用来分组

import re
a = "123abc456"
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)   #123abc456,返回整体
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)   #123
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)   #abc
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)   #456

分析：

1. 正则表达式中的三组括号把匹配结果分成三组

group() 同group（0）就是匹配正则表达式整体结果
group(1) 列出第一个括号匹配部分，group(2) 列出第二个括号匹配部分，group(3) 列出第三个括号匹配部分。

2. 没有匹配成功的，re.search（）返回None

3. 当然郑则表达式中没有括号，group(1)肯定不对了。

实战--制作文本爬虫

目标网址：http://www.imtech.res.in/raghava/sarpred/data/Manesh-215/PSSM/

目标内容：提取指定的文件内容

实现原理：

1.保存网页源代码

2.python读取文件加载源代码

3.正则表达式提取

4.写#coding=utf-8


import urllib
import re

def getHtml(url):
    page=urllib.urlopen(url)
    html=page.read()
    return html
    
def getReq(html):

    reg1=r'href="(.*?.mtx)">'
    reg2=r'href="(.*?).mtx">'
    mtx=re.compile(reg1)
    title=re.compile(reg2)
    mtxlist=re.findall(mtx,html)
    titlelist=re.findall(title,html)
    fp=open('D://Manesh-215.txt','w')
    i=0
    for requrl in mtxlist:
        strurl='http://www.imtech.res.in/raghava/sarpred/data/Manesh-215/PSSM/'+requrl
        mtxpage=urllib.urlopen(strurl)
        mtxhtml=mtxpage.readlines()
        st=">query | "+titlelist[i]+" | Length="+mtxhtml[0]
        fp.write(st)
        fp.write(mtxhtml[1])
        i=i+1
    fp.close()