常用模块3（和之前的1，2一起食用效果更佳）

Posted 2021-01-30 guchenxu

本节主要内容
1. 正则表达式
2. re模块的使?
3. ?堆练习

一、正则表达式

　　?先, 我们在??上进?注册或者登陆的时候经常能看到?些格式上的错误提?. 比如:
你在注册百度账号的时候https://passport.baidu.com/v2/?reg&regType=1&tpl=wk 输入?户
名随意的输入系统会提?你. 你的账号过?或者不允许使?中?等等操作. 那这种操作如果使

?我们现有的知识点是可以完成的. 但是完成的效果并不好. 写起来也不容易. 尤其是对邮箱
的匹配. 电话号码的匹配. 那正则表达式就是专?来处理类似问题的?种表达式. 英?全
称: Regular Expression. 简称 regex或者re. 但你要知道我们在使?python的re模块之前. 我

们?先要对正则有?定的了解和认识. 就像我们使?time模块之前. 我们已经对时间有了?定
的认识.

　　正则表达式是对字符串操作的?种逻辑公式. 我们?般使?正则表达式对字符串进?匹
配和过滤. 使?正则的优缺点:

　　优点: 灵活, 功能性强, 逻辑性强.
　　缺点: 上?难. ?旦上?, 会爱上这个东?
　　?具: 各??本编辑器?般都有正则匹配功能. 我们也可以去http://tool.chinaz.com/regex/进?在线测试. 

　　正则表达式由普通字符和元字符组成. 普通字符包含??写字?, 数字. 在匹配普通字符
的时候我们直接写就可以了. 比如"abc" 匹配的就是"abc". 我们如果?python也可以实现相
同的效果. 所以普通字符没什么好说的. 重点在元字符上.

　　元字符: 元字符才是正则表达式的灵魂. 元字符中的内容太多了, 在这?我们只介绍?些
常?的.

 

1. 字符组
　　字符组很简单?[]括起来. 在[]中出现的内容会被匹配. 例如:[abc] 匹配a或b或c
如果字符组中的内容过多还可以使?- , 例如: [a-z] 匹配a到z之间的所有字? [0-9]
匹配所有阿拉伯数字

　　思考: [a-zA-Z0-9]匹配的是什么?

2. 简单元字符
　　基本的元字符. 这个东??上?搜??堆. 但是常?的就那么?个:

. 匹配除换?符以外的任意字符
w 匹配字?或数字或下划线
s 匹配任意的空?符
d 匹配数字

 匹配?个换?符
	 匹配?个制表符
 匹配?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?字?或数字或下划线
D 匹配?数字
S 匹配?空?符
a|b 匹配字符a或字符b
() 匹配括号内的表达式，也表示?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

　　我们到?前匹配的所有内容都是单??字符号. 那如何?次性匹配很多个字符呢,
我们要?到量词。

* 重复零次或更多次
+ 重复?次或更多次
? 重复零次或?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?.*后?如果加了? 则是尽可能的少匹配. 表?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的特殊含义 找到下?个x为?. 

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

5.分组

　　在正则中使?()进?分组. 比如. 我们要匹配?个相对复杂的?份证号. ?份证号分
成两种. 老的?份证号有15位. 新的?份证号有18位. 并且新的?份证号结尾有可能是x.

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

　　

6. 转义
　　在正则表达式中, 有很多有特殊意义的是元字符, ?如 和s等,如果要在正则中匹
配正常的" "?不是"换?符"就需要对""进?转义, 变成‘\‘.在python中, ?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?次" ", 字符串中要写成‘\n‘, 那么正则?就要写成成"\\n",这样就太麻烦了.

这个时候我们就?到了r‘ ‘这个概念, 此时的正则是r‘\n‘就可以了.

 

练习:
1. 匹配邮箱
2. 匹配?机号
3. 匹配??. ?期格式(yyyy-MM-dd)

 

二、re模块

　　re模块是python提供的?套关于处理正则表达式的模块. 核?功能有四个: 

　　1.findall 查找所有，返回list

lst = re.findall("m", "mai le fo len, mai ni mei!")
print(lst) # [‘m‘, ‘m‘, ‘m‘]
lst = re.findall(r"d+", "5点之前. 你要给我5000万")
print(lst) # [‘5‘, ‘5000‘]

　　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。如果匹配不上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

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

　　4. finditer 和findall差不多. 只不过这时返回的是迭代器

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.其他的操作

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?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?search, 参数为待匹配的字符串
print(ret.group()) # 结果: 123

　　6.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

　　以上有两个坑

　　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。

ret = re.findall(‘www.(baidu|oldboy).com‘, ‘www.oldboy.com‘)
print(ret) # [‘oldboy‘] 这是因为findall会优先把匹配结果组?内容返回,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里也有一个坑

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?过程是?常重要的。

　　这种优先级的问题有时候会帮我们完成很多功能. 我们来看?个比较复杂的例?

import re
from urllib.request import urlopen
import ssl

# ?掉数字签名证书
ssl._create_default_https_context = ssl._create_unverified_context

content = urlopen("https://www.dytt8.net/html/gndy/dyzz/20181228/57986.html").read().decode("gbk")
# print(content) #测试下是否可以获取到
reg = r‘<div id="Zoom">.*?◎片　　名(?P<DVD_name>.*?)<br />◎年　　代(?P<years>.*?)<br />◎产　　地(?P<made_address>.*?)<br />.*?<br />◎主　　演(?P<main_yan>.*?)◎简　　介 <br /><br />(?P<jianjie>.*?)<br /><br />.*?<a href="(?P<DownLine>.*?)">‘
res = re.finditer(reg,content,re.S)
for i in res:
    print("电影名：")
    print("	"+i.group("DVD_name")) #电影名字
    print("年代：")
    print("	"+i.group("years")) # 年代
    print("产地：")
    print("	"+i.group("made_address")) #产地
    print("主演：")
    print("	"+i.group("main_yan").replace("<br />","、").replace("　　　　　　","")) #主演
    print("简介：")
    print("	"+i.group("jianjie")) # 简介
    print("下载链接：")
    print("	"+i.group("DownLine")) #下载链接

　　正则表达式和re模块就说这么多. 如果要把正则所有的内容全部讲清楚讲明?, ?少要?周
以上的时间. 对于我们?常使???. 上述知识点已经够?了. 如果碰到?些极端情况建议想
办法分部处理. 先对字符串进?拆分. 然后再考虑?正则.