18.Python略有小成(collections模块,re模块)

Python(collections模块,re模块)

一、collections模块

在内置数据类型（dict、list、set、tuple）的基础上，collections模块还提供了几个额外的数据类型：Counter、deque、defaultdict、namedtuple和OrderedDict等。

namedtuple: 生成可以使用名字来访问元素内容的tuple

我们知道tuple可以表示不变集合，例如，一个点的二维坐标就可以表示成：
```
>>> p = (1, 2)
```
但是，看到(1, 2)，很难看出这个tuple是用来表示一个坐标的。

这时，namedtuple就派上了用场：
```
>>> from collections import namedtuple

>>> Point = namedtuple('Point', ['x', 'y'])

>>> p = Point(1, 2)

>>> p.x

1

>>> p.y

2
```
类似的，如果要用坐标和半径表示一个圆，也可以用namedtuple定义：
```
#namedtuple('名称', [属性list]):

Circle = namedtuple('Circle', ['x', 'y', 'r'])
```
deque: 双端队列，可以快速的从另外一侧追加和推出对象

使用list存储数据时，按索引访问元素很快，但是插入和删除元素就很慢了，因为list是线性存储，数据量大的时候，插入和删除效率很低。

deque是为了高效实现插入和删除操作的双向列表，适合用于队列和栈：
```
>>> from collections import deque

>>> q = deque(['a', 'b', 'c'])

>>> q.append('x')

>>> q.appendleft('y')

>>> q

deque(['y', 'a', 'b', 'c', 'x'])
```
deque除了实现list的append()和pop()外，还支持appendleft()和popleft()，这样就可以非常高效地往头部添加或删除元素。
Counter: 计数器，主要用来计数

Counter类的目的是用来跟踪值出现的次数。它是一个无序的容器类型，以字典的键值对形式存储，其中元素作为key，其计数作为value。计数值可以是任意的Interger（包括0和负数）。Counter类和其他语言的bags或multisets很相似。
```
c = Counter('abcdeabcdabcaba')

print c

输出：Counter({'a': 5, 'b': 4, 'c': 3, 'd': 2, 'e': 1})
```

OrderedDict: 有序字典

使用dict时，Key是无序的。在对dict做迭代时，我们无法确定Key的顺序。

如果要保持Key的顺序，可以用OrderedDict：

>>> from collections import OrderedDict

>>> d = dict([('a', 1), ('b', 2), ('c', 3)])

>>> d # dict的Key是无序的

{'a': 1, 'c': 3, 'b': 2}

>>> od = OrderedDict([('a', 1), ('b', 2), ('c', 3)])

>>> od # OrderedDict的Key是有序的

OrderedDict([('a', 1), ('b', 2), ('c', 3)])

注意，OrderedDict的Key会按照插入的顺序排列，不是Key本身排序：

>>> od = OrderedDict()

>>> od['z'] = 1

>>> od['y'] = 2

>>> od['x'] = 3

>>> od.keys() # 按照插入的Key的顺序返回

['z', 'y', 'x']

defaultdict: 带有默认值的字典

有如下值集合[11,22,33,44,55,66,77,88,99,90...],将所有大于66的值保存至字典的第一个key中，将小于66的值保存至第二个key的值中。

即： {'k1': 大于66, 'k2': 小于66}

li = [11,22,33,44,55,77,88,99,90]

result = {}

for row in li:

    if row > 66:

        if 'key1' not in result:

            result['key1'] = []

        result['key1'].append(row)

    else:

        if 'key2' not in result:

            result['key2'] = []

        result['key2'].append(row)

print(result)

from collections import defaultdict

values = [11, 22, 33,44,55,66,77,88,99,90]

my_dict = defaultdict(list)

for value in  values:

    if value>66:

        my_dict['k1'].append(value)

    else:

        my_dict['k2'].append(value)

使用dict时，如果引用的Key不存在，就会抛出KeyError。如果希望key不存在时，返回一个默认值，就可以用defaultdict：

>>> from collections import defaultdict

>>> dd = defaultdict(lambda: 'N/A')

>>> dd['key1'] = 'abc'

>>> dd['key1'] # key1存在

'abc'

>>> dd['key2'] # key2不存在，返回默认值

'N/A'

二、re模块

正则表达式 : 从一大堆字符串中,找出你想要的字符串,在于对你想要得这个字符串进行一个精确地描述,与爬虫息息相关,方法非常多,匹配规则

什么是正则

正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。或者说：正则就是用来描述一类事物的规则。（在Python中）它内嵌在Python中，并通过 re 模块实现。正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。

`元字符`	`匹配内容`
\w	匹配字母（包含中文）或数字或下划线
\W	匹配非字母（包含中文）或数字或下划线
\s	匹配任意的空白符
\S	匹配任意非空白符
\d	匹配数字
\D	p匹配非数字
\A	从字符串开头匹配
\z	匹配字符串的结束，如果是换行，只匹配到换行前的结果
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配字符串的开始
$	匹配字符串的结尾
.	匹配任意字符，除了换行符，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符。
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中的字符的所有字符
*	匹配0个或者多个左边的字符。
+	匹配一个或者多个左边的字符。
？	匹配0个或者1个左边的字符，非贪婪方式。
{n}	精准匹配n个前面的表达式。
{n,m}	匹配n到m次由前面的正则表达式定义的片段，贪婪方式
a\|b	匹配a或者b。
()	匹配括号内的表达式，也表示一个组

匹配模式举例

# ----------------匹配模式--------------------

# 1,之前学过的字符串的常用操作：一对一匹配

# s1 = 'fdskahf九阳神功'

# print(s1.find('九阳'))  # 7

# 2，正则匹配：

# 单个字符匹配

import re

# \w 与 \W

# \w 匹配,数字,字母下划线,中文

# \W 匹配除了小\w能匹配的其他剩余符号

# print(re.findall('\w', '九阳sg 12*() _'))  # ['九', '阳', 's', 'g', '1', '2', '_']

# print(re.findall('\W', '九阳sg 12*() _'))  # [' ', '*', '(', ')', ' ']

# \s 与\S

# \s 匹配的空格,\t,\n

# \S 匹配除了\s的其它

# print(re.findall('\s','九阳sg*(_ \t \n'))  # [' ', '\t', ' ', '\n']

# print(re.findall('\S','九阳shengong*(_ \t \n'))  # ['九', '阳', 's', 'g', '*', '(', '_']

# \d 与 \D

# \d 匹配的是数字,同时制作规则可以指定,\d\d ['12','23'...]

# \D 匹配除了\d的其它

# print(re.findall('\d','1234567890 shen *（_'))  # ['1', '2', '3', '4', '5', '6', '7', '8', '9', '0']

# print(re.findall('\D','1234567890 shen *（_'))  # [' ', 's', 'h', 'e', 'n', ' ', '*', '（', '_']

# \A 与 ^ 匹配规则相同,从开头匹配,相同就拿出来不同就[]

# print(re.findall('\Ahel','hello 九阳神功 -_- 666'))  # ['hel']

# print(re.findall('^hel','hello 九阳神功 -_- 666'))  # ['hel']

# \Z 与 $ 匹配规则相同,从结尾匹配,相同就拿出来不同就[]

# print(re.findall('666\Z','hello 九阳神功 *-_-* \n666'))  # ['666']

# print(re.findall('666$','hello 九阳神功 *-_-* \n666'))  # ['666']

# \n 与 \t

# \n 匹配换行符

# \t 匹配制表符

# print(re.findall('\n','hello \n 九阳神功 \t*-_-*\t \n666'))  # ['\n', '\n']

# print(re.findall('\t','hello \n 九阳神功 \t*-_-*\t \n666'))  # ['\t', '\t']

# 重复匹配

# 元字符匹配

#  .  ?  *  +  {m,n}   .*  .*?

# . 匹配任意一个字符，如果匹配成功光标则移到匹配成功的字符后,未成功光标则正常移动,除了换行符（re.DOTALL 这个参数可以匹配\n）。

# print(re.findall('a.b', 'ab aab a*b a2b a九b a\nb'))  # ['aab', 'a*b', 'a2b', 'a九b']

# print(re.findall('a.b', 'ab aab a*b a2b a九b a\nb',re.DOTALL))  # ['aab', 'a*b', 'a2b', 'a九b']

# ？匹配0个或者1个由左边的字符定义的片段

# print(re.findall('a?b', 'ab aab abb aaaab a九b aba**b'))  # ['ab', 'ab', 'ab', 'b', 'ab', 'b', 'ab', 'b']

# * 匹配0个或者多个左边字符表达式。 满足贪婪匹配

# print(re.findall('a*b', 'ab aab aaab abbb'))  # ['ab', 'aab', 'aaab', 'ab', 'b', 'b']

# print(re.findall('ab*', 'ab aab aaab abbbbb'))  # ['ab', 'a', 'ab', 'a', 'a', 'ab', 'abbbbb']

# + 匹配1个或者多个左边字符表达式。 满足贪婪匹配

# print(re.findall('a+b', 'ab aab aaab abbb'))  # ['ab', 'aab', 'aaab', 'ab']

# {m,n}  匹配m个至n个左边字符表达式 满足贪婪匹配

# print(re.findall('a{2,4}b', 'ab aab aaab aaaaabb'))  # ['aab', 'aaab']

# .* 贪婪匹配 从头到尾,遇到换行符\n会断掉

# print(re.findall('a.*b', 'ab aab a*()b'))  # ['ab aab a*()b']

# .*? 此时的?不是对左边的字符进行0次或者1次的匹配,

# 而只是针对.*这种贪婪匹配的模式进行一种限定:告知他要遵从非贪婪匹配 推荐使用!

# print(re.findall('a.*?b', 'ab a1b a*()b, aaaaaab'))  # ['ab', 'a1b', 'a*()b']

# []: 可以放任意规则,但是一个中括号代表一个字符

# - 在[]中表示范围,如果想要匹配上- 那么这个-符号不能放在中间.

# ^ 在[]中表示取反的意思.

# print(re.findall('a.b', 'a1b a3b aeb a*b arb a_b'))  # ['a1b', 'a3b', 'a4b', 'a*b', 'arb', 'a_b']

# print(re.findall('a[abc]b', 'aab abb acb adb afb a_b'))  # ['aab', 'abb', 'acb']

# print(re.findall('a[0-9]b', 'a1b a3b aeb a*b arb a_b'))  # ['a1b', 'a3b']

# print(re.findall('a[a-z]b', 'a1b a3b aeb a*b arb a_b'))  # ['aeb', 'arb']

# print(re.findall('a[a-zA-Z]b', 'aAb aWb aeb a*b arb a_b'))  # ['aAb', 'aWb', 'aeb', 'arb']

# print(re.findall('a[0-9][0-9]b', 'a11b a12b a34b a*b arb a_b'))  # ['a11b', 'a12b', 'a34b']

# print(re.findall('a[*-+]b','a-b a*b a+b a/b a6b'))  # ['a*b', 'a+b']

# - 在[]中表示范围,如果想要匹配上- 那么这个-符号不能放在中间.

# print(re.findall('a[-*+]b','a-b a*b a+b a/b a6b'))  # ['a-b', 'a*b', 'a+b']

# print(re.findall('a[^a-z]b', 'acb adb a3b a*b'))  # ['a3b', 'a*b']

# 分组:

# () 制定一个规则,将满足规则的结果匹配出来

# print(re.findall('(.*?)_b', 'al_b wu_b 热_b'))  # ['al', ' wu', ' 热']

# 应用举例:

# print(re.findall('href="(.*?)"','<a href="http://www.baidu.com">点击</a>'))#['http://www.baidu.com']

命名分组举例（了解）

# 命名分组匹配：

ret = re.search("<(?P<tag_name>\w+)>\w+</(?P=tag_name)>","<h1>hello</h1>")

# #还可以在分组中利用?<name>的形式给分组起名字

# #获取的匹配结果可以直接用group('名字')拿到对应的值

# print(ret.group('tag_name'))  #结果 ：h1

# print(ret.group())  #结果 ：<h1>hello</h1>

#

# ret = relx.search(r"<(\w+)>\w+</\1>","<h1>hello</h1>")

# #如果不给组起名字，也可以用\序号来找到对应的组，表示要找的内容和前面的组内容一致

# #获取的匹配结果可以直接用group(序号)拿到对应的值

# print(ret.group(1))

# print(ret.group())  #结果 ：<h1>hello</h1>