常用模块:re模块下的常用方法

时间：2021-04-01 22:33:54

载入模块:import re

要求:永远不要起一个py文件的名字,这个名字和你已知的模块同名

一.模块的应用:

1.查找:

(1).findall:匹配所有,每一项都是列表中的一个元素

ret = re.findall('\d+','sjkhk172按实际花费928') # 正则表达式,带匹配的字符串,flag
print(ret)

结果:
['172', '928']


ret = re.findall('\d','sjkhk172按实际花费928') # 正则表达式,带匹配的字符串,flag
print(ret)

结果:
['1', '7', '2', '9', '2', '8']

 

(2).search:只匹配从左到右的第一个,得到的不是直接的结果,而是一个变量,

通过这个变量的group方法来获取结果,如果没有匹配到就返回None,使用

group会报错

ret = re.search('\d+','sjkhk172按实际花费928')
print(ret)  # 内存地址,这是一个正则匹配的结果
print(ret.group()) # 通过ret.group()获取真正的结果

结果:
<_sre.SRE_Match object; span=(5, 8), match='172'>
172
ret = re.search('\d','owghabDJLBNdgv')
print(ret)
print(ret.group())

结果:
None
Traceback (most recent call last): File "F:/python/python kecheng/day17/code/day17/3.re模块.py", line 20, in <module>
    print(ret.group())
AttributeError: 'NoneType' object has no attribute 'group'

 

ret = re.search('\d+','sjkhk172按实际花费928')
if ret :   # 内存地址,这是一个正则匹配的结果
    print(ret.group()) # 通过ret.group()获取真正的结果

结果:
172

 

(3):match:从头开始匹配,相当于search中的正则表达式加上一个^

ret = re.match('\d+','172sjkhk按实际花费928')
print(ret.group())

结果:
172

 

 

2.字符串处理的扩展:split切割;sub/subn替换

(1).split切割:

s = 'alex|taibai|egon|'
print(s.split('|'))
s = 'alex83taibai40egon25'
ret = re.split('\d+',s)
print(ret)

结果:
['alex', 'taibai', 'egon', '']
['alex', 'taibai', 'egon', '']

 

(2).sub:替换,谁 旧的 新的 替换次数

ret = re.sub('\d+','H','alex83taibai40egon25')
print(ret)

结果:
alexHtaibaiHegonH


ret = re.sub('\d+','H','alex83taibai40egon25',1)
print(ret)

结果:
alexHtaibai40egon25

 

(3).subn:返回一个元组,第二个元素是替换的次数

ret = re.subn('\d+','H','alex83taibai40egon25')
print(ret)

结果:
('alexHtaibaiHegonH', 3)

 

 

3.re模块的进阶:时间/空间

(1).compile:节省你使用正则表达式解决问题的时间

编译 正则表达式 编译成 字节码

作用:在多次使用的过程中,不会多次编译

ret = re.compile('\d+')   # 已经完成编译了
print(ret)
res = ret.findall('alex83taibai40egon25')
print(res)
res = ret.search('sjkhk172按实际花费928')
print(res.group())

结果:
re.compile('\\d+')
['83', '40', '25']
172

 

(2).finditer:节省你使用正则表达式解决问题的空间/内存

ret = re.finditer('\d+','alex83taibai40egon25')
for i in ret:
    print(i.group())

结果:
83
40
25

 

 

4.小结:

(1).findall:返回列表,找所有的匹配项

(2).search:匹配就返回一个变量,通过group取匹配到的第一个值,不匹配就返回None,group会报错

(3).match:相当于search的正则表达式中加了个'^'

 

(4).spilt:返回列表,按照正常规则切割,默认匹配到的内容会被切掉

(5)sub/subn:替换,按照正则规则去寻找要被替换掉的内容,subn返回元组,第二个值是替换的次数

 

(6).compile:编译一个正则表达式,用这个结果去search,match,findall,finditer能够节省时间

(7).finditer:返回一个迭代器,所有的结果都在这个迭代器中,需要通过循环+group的形式取值,能够节省内存

 常用模块:re模块下的常用方法

二.分组在re模块中的使用:

s = '<a>wahaha</a>'  # 标签语言 html 网页
ret = re.search('<(\w+)>(\w+)</(\w+)>',s)
print(ret.group())  # 所有的结果
print(ret.group(1)) # 数字参数代表的是取对应分组中的内容
print(ret.group(2))
print(ret.group(3))

结果:
<a>wahaha</a>
a
wahaha
a

 

 

1.为了findall也可以顺利取到分组中的内容,有一个特殊的语法,就是优先显示分组中的内容

s = '<a>wahaha</a>'
ret = re.findall('(\w+)',s)
print(ret)
ret = re.findall('>(\w+)<',s)
print(ret)

结果:
['a', 'wahaha', 'a']
['wahaha']

 

 

2.取消分组优先(?:正则表达式)

ret = re.findall('\d+(?:\.\d+)?','1.234*4')
print(ret)

结果:
['1.234', '4']

 

 

3.关于分组:

对于正则表达式来说 有些时候我们需要进行分组,来整体约束某一组字符出现的次数
(\.[\w]+)?

对于python语言来说 分组可以帮助你更好更精准的找到你真正需要的内容
<(\w+)>(\w+)</(\w+)>

 

 

4.切割split:

ret = re.split('\d+','alex83taibai40egon25')
print(ret)
ret = re.split('(\d+)','alex83taibai40egon25aa')
print(ret)

结果:
['alex', 'taibai', 'egon', '']
['alex', '83', 'taibai', '40', 'egon', '25', '']

 

 

5.分组命名(?P<这个组的名字>正则表达式):

s = '<a>wahaha</a>'
ret = re.search('>(?P<con>\w+)<',s)
print(ret.group(1))
print(ret.group('con'))

结果:
wahaha
wahaha

 

 

6.使用前面的分组,要求使用这个名字的分组和前面同名分组中的内容匹配的必须一致

s = '<a>wahaha</a>'
pattern = '<(\w+)>(\w+)</(\w+)>'
ret = re.search(pattern,s)
print(ret.group(1) == ret.group(3))

结果:
True
s = '<a>wahaha</b>'
pattern = '<(?P<tab>\w+)>(\w+)</(?P=tab)>'
ret = re.search(pattern,s)
print(ret)

结果:
None


s = '<a>wahaha</a>'
pattern = '<(?P<tab>\w+)>(\w+)</(?P=tab)>'
ret = re.search(pattern,s)
print(ret)

结果:
<_sre.SRE_Match object; span=(0, 13), match='<a>wahaha</a>'>

 

 

三.使用正则表达式的技巧:

1.用法:你要匹配的内容太没有特点,容易和你不想匹配的内容混在一起

# 精准的取到整数 过滤掉小数
ret=re.findall(r"\d+\.\d+|\d+","1-2*(60+(-40.35/5)-(-4*3))")
print(ret)
ret=re.findall(r"\d+\.\d+|(\d+)","1-2*(60+(-40.35/5)-(-4*3))")
ret.remove('')
print(ret)

结果:
['1', '2', '60', '40.35', '5', '4', '3']
['1', '2', '60', '5', '4', '3']

 

正则表达式如果写的足够好的话,能够最大限度的简化我们的操作

2.正则表达式的重要程度:

(1).掌握练习中的所有内容

(2).能够看懂常用的正则表达式

(3).并且能够做出一些公司特异性要求的修改

 

四.预备知识:

from urllib import request
ret = request.urlopen('https://movie.douban.com/top250?start=50&filter=')
res = ret.read().decode('utf-8')
print(res)

 

1.爬虫实例:

常用模块:re模块下的常用方法常用模块:re模块下的常用方法
import re
from urllib.request import urlopen

def getPage(url):   # 获取网页的字符串
    response = urlopen(url)
    return response.read().decode('utf-8')

def parsePage(s):
    ret = com.finditer(s)  # 从s这个网页源码中 找到所有符合com正则表达式规则的内容 并且以迭代器的形式返回
    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):  # 0  25 50  # 这个函数执行10次,每次爬取一页的内容
    url = 'https://movie.douban.com/top250?start=%s&filter=' % num
    response_html = getPage(url)   # response_html就是这个url对应的html代码 就是 str
    ret = parsePage(response_html) # ret是一个生成器
    print(ret)
    f = open("move_info7", "a", encoding="utf8")
    for obj in ret:
        print(obj)
        data = str(obj)
        f.write(data + "\n")
    f.close()

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)

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

 

标签：

相关文章