python正则表达式
正则表达式
是一种小型的、高度专业化的编程语言，它内嵌在python中，并通过re模块实现。
a、可以为想要匹配的相应字符串集指定规则
b、该字符串集可能包含英文语句、e-mail地址、命令或任何你先搞定的东西
c、可以问诸如“这个字符串匹配该模式吗？”
d、也可以使用re以各种方式来修改或分割字符串
e、正则表达式模式被编译成一系列的字节码，然后由C编写的匹配引擎执行
f、正则表达式语言相对小型和受限（并非所有的字符串处理都能用正则表达式完成）
1、元字符
- []
常用来指定一个字符集：[abc]、[a-z]
元字符在字符集中不起作用：[akm$]
补集匹配不在区间范围内的字符：[^5]
- ^：
匹配首行。除非设置MULTILINE标志，它只是匹配字符串的开始。在MULTILINE模式 里，它也可以直接匹配字符串中的每个换行。
如果^在行首，表示匹配以什么开头的，如果^在[]中，则表示取反
- $
匹配行尾，行尾被定义为要么是字符串尾，要么是一个换行字符后面的任何位置。
- \：转义字符：
用于将元字符转化成普通的符号
反斜杠后面可以加不同的字符以表示不同特殊意义
\d：匹配十进制数，相当于[0-9]
\D：匹配任何非数字字符，相当于[^0-9]
\s：匹配任何空白字符，相当于[\t\n\r\f\v]
\S：匹配任何非空白字符，相当于[^\t\n\r\f\v]
\w：匹配任何字母数字字符，相当于[0-9a-zA-Z]
\W：匹配任何非字母数字字符，相当于[^0-9a-zA-Z]
- 重复
正则表达式第一个功能是能够匹配不定长的字符集，另一个功能就是可以指定正则表达式 的一部分的重复次数
\d{8}:表示将前面的规则重复8次
{m，n}：表示至少有m个重复，至多有n个重复。{0,}相当于*，{1,}相当于+，{0,1}相当于？。一般尽量使用*，+或？。
- *
指定前一个字符可以被匹配零次或更多次，而不是只有一次。匹配引擎会试着重复尽可能 多的次数。a[abc]*b
- +
表示匹配一次或更多次
- ？
匹配一次或零次，可用于标识某事物是可选的
实例：
import re
#解释型正则表达式
s = r"^\d{3,4}-?\d{8}$"
string = "010-12345678"
print(re.findall(s, string))
#编译型正则表达式（速度快）
s1 = re.compile(s)
print(s1.findall(string))
2、执行匹配
a、‘RegexObject’实例有一些方法和属性，主要列举如下：
match():决定re是否在字符串刚开始的位置匹配，如果没有匹配返回None，否则返回一个‘Matchobject’对象
search()：扫描字符串，找到re匹配的位置，如果没有匹配返回None，否则返回一个‘Matchobject’对象
findall()：找到re匹配的所有子串，并把它们作为一个列表返回
finditer()：找到re匹配的所有子串，并把它们作为一个迭代器返回
b、‘MatchObject’
group():返回被re匹配的字符串
start()：返回匹配开始的位置
end()：返回匹配结束的位置
span()：返回一个元组包含匹配(开始，结束)的位置
ps:实际程序中，最常见的做法是将'MatchObject'保存在一个变量里，然后检查它是否为None，再调用其内部方法
3、编译标志-flag
a、DOTALL,S：使.匹配包括换行在内的所有字符
b、IGNORECASE,I:使匹配对大小写不敏感
c、LOCAL,L：做本地化识别（local-aware）匹配
d、MULTILINE,M：多行匹配，影响^和$（匹配多行字符串）
e、VERBOSE，X：能够使用REs的verbose状态，使之被组织得更清晰易懂（匹配多行正则表达式）
4、分组
a、进行邮箱匹配时：email = r"\w{3}@\w+(\.com|\.cn)"
b、分组会优先返回分组中的匹配片段
5、使用正则表达式实现一个小爬虫
注：.*?：实现最小贪婪匹配
import re
import urllib.request
#通过网页地址获取网页源码
def getHtml(url):
page = urllib.request.urlopen(url) #打开网页,返回一个页面对象
html = page.read() #从page对象中获取所有数据
return html
#利用正则表达式从源码中找到所有图片的地址
def getImgUrl(html):
#定义正则老匹配页面,使用元组只获得地址。.*?：最小贪婪匹配
reg = r'src="(https://imgsa.baidu.com/forum/.*?/sign=.*?\.jpg)"'
imgre = re.compile(reg)
imgList = re.findall(imgre, html.decode())
x = 0
for imgurl in imgList:
urllib.request.urlretrieve(imgurl, 'F:/%s.jpg' % x) #下载指定地址的内容
x += 1
html = getHtml("https://tieba.baidu.com/p/4704719514")
getImgUrl(html)
