1、re模块(#regex)
# 查找
# findall : 匹配所有 每一项都是列表中的一个元素
import re ret = re.findall('\d+','dawdawd154wadwad848')# 正则表达式,带匹配的字符串 print(ret) #输出['154', '848'] ret = re.findall('\d','dawdawd154wadwad848')# 正则表达式,带匹配的字符串 print(ret) #输出['1', '5', '4', '8', '4', '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
import re # ret = re.findall('\d+','dawdawd154wadwad848') # print(ret) # ret = re.findall('\d','dawdawd154wadwad848') # print(ret) ret = re.search('\d+','dawdawd154wadwad848') print(ret) #输出<_sre.SRE_Match object; span=(7, 10), match='154'> # 内存地址,这是一个正则匹配的结果 print(ret.group()) #输出154 #只能取出第一个
# match 从头开始匹配,相当于search中的正则表达式加上一个^
re.search('^\d+','dawdawd154wadwad848')
# 字符串处理的扩展 : 替换 切割
# split
s = 'alex|taibai|egon|' # print(s.split('|')) # #输出['alex', 'taibai', 'egon', ''] # s = 'alex83taibai40egon25' # ret = re.split('\d+',s) # print(ret) # #输出['alex', 'taibai', 'egon', '']
# sub # 谁 旧的 新的 替换次数
ret = re.sub('\d+','H','alex83taibai40egon25') print(ret) #输出alexHtaibaiHegonH ret = re.sub('\d+','H','alex83taibai40egon25',1) print(ret) #输出alexHtaibai40egon25
# subn 返回一个元组,第二个元素是替换的次数
ret = re.subn('\d+','H','alex83taibai40egon25') print(ret) #输出('alexHtaibaiHegonH', 3)
# re模块的进阶 : 时间/空间
# compile 节省你使用正则表达式解决问题的时间
ret = re.compile('\d+') # 已经完成编译了 print(ret) #输出re.compile('\\d+') res = ret.findall('alex83taibai40egon25') print(res) #输出['83', '40', '25'] res = ret.search('sjkhk172按实际花费928') print(res.group()) #输出172
# finditer 节省你使用正则表达式解决问题的空间/内存
ret = re.finditer('\d+','alex83taibai40egon25') for i in ret: print(i.group()) #输出83 40 25
#总结
# findall 返回列表 找所有的匹配项 # search 匹配就 返回一个变量,通过group取匹配到的第一个值,不匹配就返回None,group会报错 # match 相当于search的正则表达式中加了一个'^' # spilt 返回列表,按照正则规则切割,默认匹配到的内容会被切掉 # sub/subn 替换,按照正则规则去寻找要被替换掉的内容,subn返回元组,第二个值是替换的次数 # compile 编译一个正则表达式,用这个结果去search match findall finditer 能够节省时间 # finditer 返回一个迭代器,所有的结果都在这个迭代器中,需要通过循环+group的形式取值 能够节省内存
2、分组在re模块中的使用
# 标签语言 html 网页
import re s = '<a>wahaha</a>' # 标签语言 html 网页 ret = re.search('<(\w+)>(\w+)</(\w+)>',s) print(ret.group()) # 所有的结果 <a>wahaha</a> print(ret.group(1)) # 数字参数代表的是取对应分组中的内容 a print(ret.group(2)) # 输出wahaha print(ret.group(3)) # 输出a
# 为了findall也可以顺利取到分组中的内容,有一个特殊的语法,就是优先显示分组中的内容
import re s = '<a>wahaha</a>' ret = re.findall('(\w+)',s) print(ret) #输出['a', 'wahaha', 'a'] ret = re.findall('>(\w+)<',s) print(ret) #输出['wahaha']
# 取消分组优先(?:正则表达式)
ret = re.findall('\d+(\.\d+)?','1.234*4') print(ret) #输出['.234', '']
# 关于分组
# 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 # (\.[\w]+)? # 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 # <(\w+)>(\w+)</(\w+)>
# 分组命名 (?P<这个组的名字>正则表达式)
s = '<a>wahaha</a>' ret = re.search('>(?P<con>\w+)<',s) print(ret.group(1))#输出wahaha print(ret.group('con'))#输出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
s = '<a>wahaha</a>' pattern = '<(?P<tab>\w+)>(\w+)</(?P=tab)>' ret = re.search(pattern,s) print(ret)
# 精准的取到整数 过滤掉小数
ret=re.findall(r"\d+\.\d+|(\d+)","1-2*(60+(-40.35/5)-(-4*3))") ret.remove('') print(ret)
3、爬虫实例
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