内容回顾
软件开发规范
预计
递归函数1天
re模块2天
logging模块+包的导入+带参数的装饰器1-2天
面向对象6天
网络编程4天
并发编程5-6天
数据库5天
今日内容
-
模块和实际工作之间的关系
- time模块和时间是什么关系?
- 时间本身和time模块无关，有了time就可以在python中操作时间相关的问题了。
- re模块和正则表达式的关系
- 有了re模块就可以在python语言操作使用正则表达式了
- time模块和时间是什么关系?
-
正则表达式******
-
什么是正则表达式：一套匹配字符串的规则
-
能做什么：
- 检测一个输入的字符串是否合法
- 用户输入一个内容的时候，我们要提前做检测
- 能够提高程序的效率并且减轻服务器的压力
- 从一个大文件中找到所有符合规则的内容
- 能够高效的从一大段文字中快速找到符合规则的内容
- 检测一个输入的字符串是否合法
-
正则规则
- 所有的规则中的字符就可以刚好匹配到字符串中的内容
-
字符组[]
- 一个字符组（中括号）只表示一个字符位置
- [abc]会匹配a或b或c
- [0-9]、[A-Z]、[a-z]、[a-zA-Z]大小写、
- [0-9a-zA-Z_]数字字母下划线
-
元字符
- 在正则表达式中能过帮我们匹配的内容符号
- 字符组[]
- \d=[0-9] 匹配任意一位数字
- \w=[0-9a-zA-Z_] 匹配数字字母下划线
- \s=（''|\t|\n） 匹配所有空白（空格、tab、enter）
- \W 表示非字母数字下划线
- \D 表示非数字
- \S 表示非空白
- . 表示匹配除了换行符之外的所有，前加\会取消意义。
- [^c] 表示没c的段
- ^匹配一个字符串的开始
- $匹配一个字符串的结尾
- A|B 匹配A或B表达式中的内容，如果A成功了，就不匹配B了，所以两个规则有重叠，把长的放在前面
- （）约束（|）或描述的范围
- www.(baidu|google|taobao).com
- \b匹配边界的字符
-
记忆元字符
- \d \w \s \t \n \D \W \S
- [] [^]
- ^ $
- | ( )
-
量词（元字符后加量词的格式，约束次数）
- {n} 表示匹配n次，
- {n，}表示匹配至少n次
- {n，m}表示至少匹配n次，至多匹配m次
- ？表示匹配1次或0次
- +表示匹配1次或多次
- *表示匹配0次或多次
-
整数：
\d+ -
小数：
\d+\.\d+ -
整数或小数：
\d+(\.\d+)? -
手机号码：1 3-9 11位
^1[3-9]\d{9}$ -
贪婪匹配：
\d{3,}6会在量词允许的范围尽量多匹配-
回溯算法
.*?x表示匹配任意字符任意次数，但一旦遇到x就停
-
-
惰性匹配：
\d{3,}?6会在量词允许的范围尽量少匹配- 加一个问号
- ??时，前面代表0或1次，后面代表惰性，所以匹配0次
.*?x表示匹配任意字符任意次数，但一旦遇到x就停
-
转义符\
- 有特殊意义的字符有时需要转义
-
（?:）不显示括号内容
-
ret=re.findall('1(?:\d)(\d)','123') #'3'
-
-
-
re模块--regex正则表达式
import re ret=re.findall('\d','1231294u921jds') print(ret) #['1', '2', '3', '1', '2', '9', '4', '9', '2', '1'] ret2=re.search('\d+','123928482y87') print(ret2) #<_sre.SRE_Match object; span=(0, 9), match='123928482'> if ret2: print(ret2.group()) #123928482-
findall 总是只显示括号里匹配到的内容
- 还是按照完整的正则匹配
- re.findall('9(\d)u','1231294u921jds') #['4']
- 加括号是为了对真正需要的内容进行提取
-
search
- 还是按完整的正则进行匹配，显示也显示匹配内容
- 得到的结果是一个变量
- 变量.group（）的结果 完全和 变量.group（0）结果一样
- 变量.group（n）的形式来获取第n个分组中匹配的内容
- search不需要加括号分组，因为可以向group（）中传参实现。
-
小爬虫例子
-
#简单爬虫 import re with open('douban.html',encoding='utf-8')as f: content=f.read() ret=re.findall('<span class="title">(.*?)</span>(?:\s*<span class="title">.*?</span>)?',content) print(ret)
-
今日总结
正则
- 字符组元字符
- 量词
- 贪婪匹配、惰性匹配
- 转义符
re模块
- 如果要查找的内容在一个复杂的环境中
- 我们要查找的内容没有一个突出的特点，甚至会和不需要的杂乱的数据混合在一起。
什么是爬虫
-
通过代码获取到一个网页的源码
-
要的是源码中嵌着的网页上的内容
-
#从网页获取源码 import requests ret=requests.get('https://movie.douban.com/top250?start=0&filter=') print(ret.content.decode('utf-8'))
分组和findall现象
- 为什么要分组？
- 把想要的内容放分组里
如何取消分组优先
- 如果在写正则的时候由于不得已的原因，导致不要的内容也得写在分组里
- (?😃 取消这个分组的优先显示
