Python进阶-Ⅹ 正则表达式（RexEx）、re模块

1、正则表达式（RexEx）常用知识

2、python中re模块的初步使用

 1）、findall方法

ret = re.findall('a', 'eva egon yuan')  # 返回所有满足匹配条件的结果,放在列表里
print(ret) #结果 : ['a', 'a']

 2）、search方法

ret = re.search('a', 'eva egon yuan').group()
print(ret) #结果 : 'a'

函数会在字符串内查找模式匹配,只到找到第一个匹配然后返回一个包含匹配信息的对象,该对象可以
通过调用group()方法得到匹配的字符串,
如果字符串没有匹配，则返回None，就无法使用group()方法，会报错！AttributeError: 'NoneType' object has no attribute 'group'

# 所以先判断不是None后，才去使用group()方法得到字符串！
ret = re.search('b', 'eva egon yuan')
if ret is not None:
    print(ret.group())
else:
    print('没有找到！')

3）、match方法

et = re.match('a', 'abc').group()  # 同search,不过只在字符串开始处进行匹配
print(ret)
#结果 : 'a'
# -todo 同样：match也要先判断不是None后，才去使用group()方法得到字符串！
ret = re.match('d', 'abc')
if ret is not None:
    print(ret.group())
else:
    print('没有找到！')

4）、split，sub，subn，compile，finditer方法

 et = re.split('[ab]', 'abcd')  # 先按'a'分割得到''和'bcd',再对''和'bcd'分别按'b'分割
 print(ret)  # ['', '', 'cd']

 ret = re.sub('\d', 'H', 'eva3egon4yuan4', 2)  # 将数字替换成'H'，参数1表示只替换2个
 print(ret)  # evaHegon4yuan4

 ret = re.subn('\d', 'H', 'eva3egon4yuan4')  # 将数字替换成'H'，返回元组(替换的结果,替换了多少次)
 print(ret)  # ('evaHegonHyuanH', 3)

 obj = re.compile('\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
 if ret is not None:
     print(ret.group())  # 结果 ： 123
 print('There is no such item!')

 ret = re.finditer('\d', 'ds3sy4784a')   # finditer返回一个存放匹配结果的迭代器
 print(ret)  # <callable_iterator object at 0x10195f940>

 try:
     print(next(ret).group())  # 查看第一个结果
     print(next(ret).group())  # 查看第二个结果
     print([i.group() for i in ret])  # 查看剩余的左右结果
 except StopIteration:
     print('没有可匹配的结果！')

 5、注意优先级查询： 　　
　　1）、findall的优先级查询：

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里内容返回,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']

　　2)、split的优先级查询

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。

6、简单爬虫精简版：豆瓣电影榜

 from urllib.request import urlopen

 def getPage(url):
     response = urlopen(url)
     return response.read().decode('utf-8')

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

     for obj in ret:
         print(obj)
         data = str(obj)
         f.write(data + "\n")

 count = 0
 for i in range(10):
     main(count)
     count += 25