python开发模块基础：re正则

一，re模块的用法

#findall  #直接返回一个列表
    #正常的正则表达式
    #但是只会把分组里的显示出来
#search #返回一个对象 .group()
#match  #返回一个对象 .group()

 import re
 #re模块的用法

 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']

 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。

 ret = re.match('a', 'abc').group()  # 同search,不过尽在字符串开始处进行匹配
 print(ret)
 #结果 : 'a'

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

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

 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
 print(ret.group())  #结果 ： 123

 import re
 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>
 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

 #注意：
 #1 findall的优先级查询
 import re

 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。

 #findall  #直接返回一个列表
     #正常的正则表达式
     #但是只会把分组里的显示出来

 #search   #返回一个对象 .group()
 #match    #返回一个对象 .group()

练习题

 #!/usr/bin/python env
 #_*_coding:utf-8_*_

 #1、匹配标签
 import re
 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 = re.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>

 #2、匹配整数
 import re
 ret=re.findall(r"\d+","1-2*(60+(-40.35/5)-(-4*3))")
 print(ret) #['1', '2', '60', '40', '35', '5', '4', '3']
 ret=re.findall(r"-?\d+\.\d*|(-?\d+)","1-2*(60+(-40.35/5)-(-4*3))")
 print(ret) #['1', '-2', '60', '', '5', '-4', '3']
 ret.remove("")
 print(ret) #['1', '-2', '60', '5', '-4', '3']

 #3、数字匹配
 # 1、 匹配一段文本中的每行的邮箱
 #       http://blog.csdn.net/make164492212/article/details/51656638
 # 2、 匹配一段文本中的每行的时间字符串，比如：‘1990-07-12’；
 #
 #    分别取出1年的12个月（^(0?[1-9]|1[0-2])$）、
 #    一个月的31天：^((0?[1-9])|((1|2)[0-9])|30|31)$
 # 3、 匹配qq号。(腾讯QQ号从10000开始)  ［1,9］[0,9]{4,}
 # 4、 匹配一个浮点数。       ^(-?\d+)(\.\d+)?$   或者  -?\d+\.?\d*
 # 5、 匹配汉字。             ^[\u4e00-\u9fa5]{0,}$
 # 6、 匹配出所有整数

爬豆瓣网页匹配

 #!/usr/bin/python env
 #_*_coding:utf-8_*_
 import re
 import json
 import requests  #urlopen

 def getPage(url):
     response = requests.get(url)
     return response.text

 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:  #循环生成器
         print(obj)
         data = json.dumps(obj, ensure_ascii=False)
         f.write(data + "\n")

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