一、re模块
首先说一下什么是模块，模块就是一组功能的集合。你要和某个东西打交道，而这个东西本身和python没关系，这个东西本身就存在，所以python提供了一个功能的集合专门负责和这个东西打交道。
模块的类型：
内置模块：不需要我们自己安装，解释器自带的；
第三方模块：需要我们自己安装的模块；
自定义模块：我们自己写的模块；
为什么要有模块？先举一个例子：我们都知道是操作系统把所有硬件管理起来的，文件是在硬盘上存储的，python想从硬盘上进行文件的操作和删除时就需要引入os模块，说白了，模块实际上就是给我们提供功能，这个要操作的内容本身就存在，模块只不过是python提供给我们去操作这个内容的方法。
注意：永远不要起一个和你已知的模块同名的py文件的名字！
今天我们就来学习一下re模块的几个基础方法，在python中使用正则表达式就要引入re模块。
1，查找
findall：表示匹配每一项都是列表中的一个元素。 （重要程度*****）
语法规则：re.findall(‘正则表达式’, 待匹配字符串 , flag)，具体示例如下：
import re ret = re.findall('\d+', 'sjkhk172按实际花费928') print(ret) # 结果为：['172', '928'] ret = re.findall('\d', 'sjkhk172按实际花费928') print(ret) # 结果为：['1', '7', '2', '9', '2', '8']
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，会返回None，使用group会报错。（重要程度*****）
语法规则：re.search(‘正则表达式’, 待匹配字符串 , flag)，具体示例如下：
ret = re.search('\d+', 'sjkhk172按实际花费928') print(ret) # 结果为：<_sre.SRE_Match object; span=(5, 8), match='172'> print(ret.group()) # 结果为：172 ret = re.search('\d','owghabDJLBNdgv') print(ret) # 结果为：None print(ret.group()) # 会报错 # 因为search方法查找的时候，若待匹配的字符串中没有能匹配到的结果时， # 用group会报错，所以通常我们写成下面这样 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
match：从头开始匹配，相当于search中的正则表达式加上一个^。（重要程度**）
语法规则：re.match(‘正则表达式’, 待匹配字符串 , flag)，具体示例如下：
ret = re.match('\d+$','sjkhk172按实际花费928') print(ret) # 结果为：None ret = re.match('\d+','172sjkhk按实际花费928') print(ret) # 结果为：<_sre.SRE_Match object; span=(0, 3), match='172'> print(ret.group()) # 结果为：172 ret = re.match('\d+$','172sjkhk按实际花费928') print(ret) # 结果为：None
2，字符串处理的扩展
切割：re.split(‘正则表达式’, 待匹配字符串)，用正则表达式匹配出来的结果对待匹配字符串切割。如下：
s = 'alex83taibai40egon25' ret = re.split('\d+',s) print(ret) # 结果为：['alex', 'taibai', 'egon', '']
替换：sub和subn
re.sub(‘正则表达式’, ‘新内容’, 待匹配字符串 , 替换次数)
re.subn(‘正则表达式’, ‘新内容’, 待匹配字符串 , 替换次数) ，示例如下：
ret = re.sub('\d+','H','alex83taibai40egon25') print(ret) # 结果为：alexHtaibaiHegonH ret = re.sub('\d+','H','alex83taibai40egon25',1) print(ret) # 结果为：alexHtaibai40egon25 ret = re.subn('\d+','H','alex83taibai40egon25') print(ret) # 结果为：('alexHtaibaiHegonH', 3) ret = re.subn('\d+','H','alex83taibai40egon25', 2) print(ret) # 结果为：('alexHtaibaiHegonH', 2) # 我们可以看出sub和subn的区别是subn返回一个元组，元组第二个元素是替换次数。
3，re模块的进阶：时间和空间上更优化
compile：节省使用正则表达式解决问题的时间（编译，就是将正则表达式编译成字节码，这样在多次使用的过程中不会多次编译，可以用这个结果去直接search、match、findall、finditer），具体示例如下：
ret = re.compile('\d+') # 编译 print(ret) # 结果为：re.compile('\\d+') res = ret.findall('alex83taibai40egon25') # 编译后直接使用 print(res) res = ret.search('sjkhk172按实际花费928') # 编译后直接使用 print(res.group())
finditer：节省使用正则表达式解决问题的空间/内存（返回一个迭代器，所有的结果都在这个迭代器中，可以通过循环和group取出来），具体示例如下：
ret = re.finditer('\d+','alex83taibai40egon25') print(ret) # 结果为：<callable_iterator object at 0x00000000029EFDA0> for i in ret: print(i.group()) # 结果为： # 83 # 40 # 25
二、在python中使用正则表达式的特点和问题
1，分组在re模块中的使用，分析如下几段代码，理解并总结规则：
# 1 search方法中对正则分组，通过group(n)取出相应内容 s = '<a>wahaha</a>' ret = re.search('<(\w+)>(\w+)</(\w+)>',s) print(ret.group()) # 结果为：<a>wahaha</a>，默认取出所有匹配内容 print(ret.group(1)) # 数字参数代表的是取对应分组中的内容，结果为：a print(ret.group(2)) # 结果为：wahaha print(ret.group(3)) # 结果为：a # 2 findall也可以顺利取到分组中的内容,因为它有一个特殊的语法,就是优先显示分组中的内容 ret = re.findall('(\w+)',s) print(ret) # 结果为：['a', 'wahaha', 'a'] ret = re.findall('>(\w+)<',s) print(ret) # 结果为：['wahaha'] # 3 取消分组优先(?:正则表达式) ret = re.findall('>(?:\w+)<',s) print(ret) # 结果为：['>wahaha<'] ret = re.findall('\d+(?:\.\d+)?','1.234*4') print(ret) # 结果为：['1.234', '4'] # 当你想用()表示正则里的分组，而不想表示优先显示的时候可以用?:取消分组
综上： 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；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；具体想表示哪种分组，要看情况决定。
# 4 split方法中可以对正则加括号表示使切割的字符不丢失 ret = re.split('\d+','alex83taibai40egon25') print(ret) # 结果为：['alex', 'taibai', 'egon', ''] ret = re.split('(\d+)','alex83taibai40egon25') print(ret) # 结果为：['alex', '83', 'taibai', '40', 'egon', '25', ''] # 分组命名 (?P<组名>正则表达式) s = '<a>wahaha</a>' ret = re.search('>(?P<con>\w+)<',s) print(ret.group(1)) # 结果为：wahaha print(ret.group('con')) # 结果为：wahaha # 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 pattern = '<(?P<tab>\w+)>(\w+)</(?P=tab)>' ret = re.search(pattern,s) print(ret.group()) # 结果为：<a>wahaha</a> # 可以练习下列的匹配： # 2018-12-06 # 2018.12.6 # 2018 12 06 # 12:30:30
三、使用正则表达式的技巧
当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的时候，就可以把不想匹配的也取出来，然后通过python过滤掉，具体示例如下：
# 想只取整数，但是会带上小数，那么把整数和小数都取出来，然后再过滤掉小数 ret=re.findall(r"\d+\.\d+|\d+","1-2*(60+(-40.35/5)-(-4*3))") print(ret) # 结果为：['1', '2', '60', '40.35', '5', '4', '3'] ret=re.findall(r"\d+\.\d+|(\d+)","1-2*(60+(-40.35/5)-(-4*3))") ret.remove('') print(ret) # 结果为：['1', '2', '60', '5', '4', '3']
四、爬虫的例子
预备知识：如何获取一个页面的源代码，如下可以做到：
from urllib import request ret = request.urlopen('https://movie.douban.com/top250? start=50&filter=') res = ret.read().decode('utf-8') print(res)
分析并掌握如下爬虫的小例子：
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
写在最后：
正则表达式到底重要到什么程度？
掌握作业中的所有内容
能够看懂常用的正则表达式
并且能够做出一些公司特异性要求的修改