python_正则_re模块

 

正则表达式元字符：

字符匹配 ：

.
：除换行符以外的任意单个字符
[]
：指定范围内字符
[^]
：指定范围外字符

次数匹配：

*
：任意次，0，1，多次
.*
：任意字符 任意次
?
：至多1次或0次
+
：至少出现1次或多次
{m}
：其前面字符出现m次
{m,n}
：其前面字符出现至少m次，至多n次
{m,}
：其前面字符出现至少m次
{,n}
：其前面字符出现至多n次　

位置锚定：

^
：匹配字符串的开头
$
：匹配字符串的末尾　

分组及引用：

()
：分组，括号内模式会被记录于正则表达式引擎
后向引用 ：1
2
3.....　

或：

a|b
：a或者b
C|cat
：C或cat
(C|c)at ：Cat或cat　

转义字符：

w
：匹配字母数字
W
：匹配非字母数字
s
：匹配任意空白字符，等价于 [tnrf].
S
：匹配任意非空字符
d
：匹配任意数字，等价于 [0-9].
D
：匹配任意非数字
A
：匹配字符串开始
Z
：匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串
z
：匹配字符串结束
G
：匹配最后匹配完成的位置。
b
：匹配一个单词边界，也就是指单词和空格间的位置。例如， 'erb' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。
B
：匹配非单词边界。'erB' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。
n
：匹配一个换行符
t
：匹配一个制表符
1...9 ：匹配第n个分组的子表达式　

 

小练习:

判断手机号码是否合法

根据手机号码一共11位并且是只以13、14、15、17、18开头的数字：

import re
phone_number = input('please input your phone number ： ')
if re.match('^(13|14|15|17|18)[0-9]{9}$',phone_number):
print('是合法的手机号码')
else:
print('不是合法的手机号码')

匹配标签

import re
ret = re.search("<(?P<tag_name>w+)>w+</(?P=tag_name)>","<h1>hello</h1>")
#还可以在分组中利用?<name>的形式给分组起名字
#获取的匹配结果可以直接用group('名字')拿到对应的值
print(ret.group('tag_name'))
#结果 ：h1
print(ret.group())
#结果 ：<h1>hello</h1>

ret = re.search(r"<(w+)>w+</1>","<h1>hello</h1>")
#如果不给组起名字，也可以用序号来找到对应的组，表示要找的内容和前面的组内容一致
#获取的匹配结果可以直接用group(序号)拿到对应的值
print(ret.group(1))
print(ret.group())
#结果 ：<h1>hello</h1>

 

爬虫练习

import requests
import re
import json
def getPage(url):
response=requests.get(url)
return response.text
def parsePage(s):
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)
ret=com.finditer(s)
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):
url='https://movie.douban.com/top250?start=%s&filter='%num
response_html=getPage(url)
ret=parsePage(response_html)
print(ret)
f=open("move_info7","a",encoding="utf8")
for obj in ret:
print(obj)
data=json.dumps(obj,ensure_ascii=False)
f.write(data+"n")
if __name__ == '__main__':
count=0
for i in range(10):
main(count)
count+=25

 

import re
import json
from urllib.request import urlopen
def getPage(url):
response = urlopen(url)
return response.read().decode('utf-8')
def parsePage(s):
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)
ret = com.finditer(s)
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):
url = 'https://movie.douban.com/top250?start=%s&filter=' % num
response_html = getPage(url)
ret = parsePage(response_html)
print(ret)
f = open("move_info7", "a", encoding="utf8")
for obj in ret:
print(obj)
data = str(obj)
f.write(data + "n")
count = 0
for i in range(10):
main(count)
count += 25