python记录_day23 正则表达式 re模块

一、 正则表达式

使用python的re模块之前应该对正则表达式有一定的了解

正则表达式是对字符串操作的一种逻辑公式。我们一般使用正则表达式对字符串进行匹配和过滤。

正则的优缺点：

优点：灵活， 功能性强， 逻辑性强.

缺点：上手难，但一旦学会这东西非常好用

 

# 正则表达的组成：普通字符、元字符、限定符

普通字符不用说的，就是常用的字母，数字，汉字这些

##贪婪匹配

.*    点星 表示尽可能多的匹配

## 惰性匹配

.*?  点星问号 尽可能少的匹配

##  转义

对 “\” 进行转义可以用 “\\” ,也可以在字符串开头加上r

## () 表示分组，括号内的表达式是一个整体     如果一个表达式中有分组，那么()后面的 \1 表示拿前边组的匹配结果

 

二、re模块

re模块是python提供的一套关于处理正则表达式的模块. 核心功能有四个：

re.search()      #搜索，搜到结果就返回，没有结果返回None

re.match()       #只能从头开始匹配  相当于默认加了^

re.findall()       #返回所有匹配项

re.finditer()      #返回所有匹配项的迭代器

import re

# 搜索，搜到结果就返回
ret = re.search("a","alex")
print(ret.group())  #结果要用group来取

#从头开始匹配，匹配到就返回
a = re.match('回','回眸一笑百媚生')   #相当于匹配 ^a  默认加了开头符
print(a.group())

#返回所有匹配项 列表
lst =re.findall('a','alexa')
print(lst)

#返回一个迭代器
ret = re.finditer('a','alexa')
for el in ret:
    print(el.group())
    print(el)

 

##其他操作

re.split()      #根据正则表达式进行切割

re.split("(表达式)","str")      #切割后保留切割的内容

re.sub()   #替换

re.subn()    #替换    返回的是一个元组

re.compile(表达式, re.S)   #把正则表达式预加载    参数re.S能让惰性匹配忽略换行

注意：

在re中()的优先级比较高，会优先返回括号内匹配的内容

(?:)    在括号里加？：表示取消优先级

(?P<name>)       这样是给()匹配的内容命名

#() 表优先级
b = re.findall(r'www\.(baidu|oldboy)\.com','www.baidu.com')
print(b)

# ?:取消()优先级
c = re.findall(r'www.(?:baidu|oldboy).com','www.baidu.com')
print(c)

#切割
ret = re.split('[ab]','github is a good websit')
print(ret)

ret = re.split('([ab])','github is a good websit')
print(ret)

#替换
ret = re.sub('good','well','github is a good website')
print(ret)
ret = re.subn('g','G','github is a good website')
print(ret)

#预加载
a = re.compile(r'anala\b')  # 正则中\b表示匹配结尾是什么什么
print(a)
ret = a.search('lexahanala')
print(ret.group())

#给组起名字
obj = re.compile(r'alex(?P<name>\d+)and(w)')
res = obj.search("alex250andwusir38ritian2")
print(res.group())
# for el in res.group():
#     print(el)
print(res.group(2))
print(res.group('name'))

#豆瓣排行top250

from urllib.request import urlopen
import re

#预加载正则表达式
obj = re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?导演: (?P<director>.*?)&nbsp;&nbsp;&nbsp;.*?<span class="rating_num" property="v:average">(?P<fen>.*?)</span>',re.S)
#获取网页内容
def getContent(url):
    content = urlopen(url).read().decode('utf-8')
    return content

#解析内容
def parseContent(content):
    it = obj.finditer(content)
    for el in it:
        yield {
            "电影名":el.group("name"),
            "导演": el.group('director'),
            "评分":el.group('fen')
        }

for i in range(10):
    url = 'https://movie.douban.com/top250?start=%s&filter=' %(i*25)
    g = parseContent(getContent(url))
    f = open('douban.txt', mode='a', encoding='utf-8')
    for el in g :
        f.write(str(el)+'\n')
    f.close()