25_re模块

一、re模块的核心功能

 

    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、finditer —— 和findall差不多，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

3、search —— 会进行批评，但是如果匹配到了第一个结果，就返回这个结果。如果匹配不上search返回None

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

4、match —— 只能从字符串的开头进行匹配

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

    5、其他操作

 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

    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

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']

 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。

爬取豆瓣网

 import ssl
 import re
 from urllib.request import urlopen

 ssl._create_default_https_context = ssl._create_unverified_context   # ⼲掉数字签名证书
 def getPage(url):
     response = urlopen(url)
     return response.read().decode('utf-8')

 def parsePage(s):
     com = re.compile(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)
      print(response_html)
      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