结构化文件储存
- xml, json,
- 为了解决不同设备之间信息交换问题
## xml，可扩展标记语言
标记语言：语言中使用尖括号括起来的文本字符串标记
可拓展：用户可以自己定义需要的标记
例子：
<Teacher>
自定义标记Teacher
在两个标记之间任何任容都应该跟Teacher有关
</Teacher>
xml描述的是数据本身，即数据的结构和语义
html侧重点在于如何显示web页面的数据
xml文档的构成
- 处理指令(可以认为一个文件只有一个处理指令)
- 根元素(一个文件内只有一个根元素)
- 子元素
- 属性
- 内容
- 注释
DOM
是w3c规定的xml编程接口
一个xml文件在缓存中以树形储存，读取
用途：
定位浏览xml任何一个节点信息
添加删除相应内容
minidom
- minidom。parse(filename):加载读取的xml文件，filename也可以是xml代码
- doc.documentElement:获取xml文档对象，一个xml文件只有一个对应的文档对象
- node.getAttribute(attr_name):获取xml节点的属性值
- node.getElementByTagName(tage_name):得到一个节点对象集合
- node.childNodes:得到所有孩子节点
- node.childNodes[index].nodeValue:获取单个节点值
- node.firstNode:得到第一个节点，等价于node.childNodes[0]
- node.attributes[tage_name]
etree
以树形结构来表示xml
root.getiterator:得到相应的可迭代的node集合
root.iter
find(node_name):查找指定node_name的节点，返回一个node
root.findall(node_name):返回多个node_name的节点
node.tag:node对应的tagename
node.test:node文本文档
node.attrib:是node的属性的字典类型的内容
xml文件写入
更改
- ele.set:修改属性
- ele.append:添加子元素
- ele.remove:删除元素
JSON
- JSON（JavaScriptObjectNotation）
量级的数据包交换格式，基于ECMAScript
json格式是一个键值对形式的数据集
- key：字符串
- value： 字符串，数字，列表，json
- json使用大括号包裹
- 键值对直接用逗号隔开
student={
"name": "xiaobai"
"age": 18
"mobile": "123456789"
}
json和python格式的对应
- 字符串：字符串
- 数字：数字
- 列队：list
- 对象：dict
- 布尔值：布尔值
python for json
- json包
- json和python对象的转换
- json.dumps():对数据吧编码，把python格式表示成json格式
- json.loads():对数据解码，把json格式转换成python格式
- python读取json文件
- json.dump():把内容写入文件
- json.load():把json文件内容读入python
正则表达式 re
- 是一个计算机科学的概念
- 用于使用单个字符串来描述，匹配符合某个规则的字符串
- 常常用来检索，替换某些模式的文本
正则的写法
- .(点号)：表示任意一个字符，除了\n，比如查找所有的一个字符\.
- []: 匹配中括号中举例的任意字符，比如[Y,L,0]
- \d: 任意一个数字
- \D: 除了数字都可以
- \s:表示空格，tab键
- \S:除了空白符号
- \w:单词字符，就是 a-z，A-Z，0-9，_
- \W:除了\wd的字符外
- *: 表示前面内容重复零次或者多次， \W*
- +: 表示前面内容至少出现一次
- ?: 前面才出现的内容零次或者一次
- {m,n}: 允许前面内容出现最少m次，最多n次
- ^: 匹配字符串的开始
- $: 匹配字符串的结尾
- \b: 匹配单词的边界
- ():对正则表达式内容进行分组，从第一个括号开始，编号逐渐增大
- \A: 只匹配字符串开头
- \Z: 只匹配字符串末尾
- |: 左右任意一个
- (?P<name>...): 分组，除了原来的标号在制定一个别名
- （?P=name）: 引用分组
re使用大致步骤
使用compile将表示正则的字符串编译为一个pattern对象
通过pattern对象提供一系列方法对文本进行查找匹配，过的匹配结果，一个Match对象
最后使用March对象提供的属性和方法获得信息，根据需要进行操作
Re常用函数
- group(): 获得一个或者多个分组匹配的字符串，当要获得整个字符串时直接使用gourp或者goup(0)
- start: 获取分组匹配的字符串在整个字符串的起始位置，参数默认为0
- end: 获取分组匹配的字符串在整个字符串中的结束位置，参数默认为0
- spend: 返回的结构(start(gourp), end(group))
1 # 导入模块
2
3
4 import re
5 # compile将表示正则的字符串编译为一个pattern对象
6 # 查找数字
7 # r表示后面的字符串不转义
8 p = re.compile(r'\d')
9 m = p.match("1aaa156489646asg4s6")
10 print(m)
sub替换
sub(rep1,str[,count])
1 import re
2
3 p = re.compile(r'(\w+) (\w+)')
4 s = "i 123 love python"
5 rst = p.sub(r'Hello word', s)
6 print(rst)
匹配中文
大部分的中文内容表示范围是[u4e00-u9fa5],不包括全角标点
1 import re
2
3 title = u'世界 你好， Hello world'
4 p = re.compile(r'[\u4e00-\u9fa5]+')
5 rst = p.findall(title)
6 print(rst)
贪婪和非贪婪
贪婪：尽可能多的匹配，(*)表示贪婪匹配
非贪婪：找到符合条件的最小内容即可，(？)表示非贪婪
正则默认使用贪婪匹配
1 import re
2
3 title = u'<div>name</div><div>age</div>'
4 # 贪婪匹配
5 p1 = re.compile(r"<div>.*</div>")
6 # 非贪婪匹配
7 p2 = re.compile(r"<div>.*?</div>")
8
9 print(p1.search(title).group())
10 print(p2.search(title).group())
