正则表达式和re模块

#1 正则表达式是从左到右依次匹配   好比 ab|abc  匹配了ab abc就不会匹配了，因此匹配长度较长的要放前面

#2 [A-Z]一个中括号表示只匹配一个值， 好比  [0-9] 只匹配0到9，能够匹配不少次，可是每次匹配都只匹配一个值，

#\d{3} 匹配三个数字，这三数字必定要连在一块儿的

#  ^[0-9][A-Z]$这样只匹配两个值，    不加起止符号  [0-9][A-Z]  这样会匹配全部的数字和大写字母，但每次只匹配两个值

# .*  默认算匹配到一次

#量词     都是先规则再量词，且这个量词仅匹配左边最近的规则，好比 [a-z]\d+ 只针对/b进行一次或 屡次匹配

#^  开始符  好比 ^a 就只匹配整篇文档的开头部分，有点像 startswith

#$  （在英文状态下打出来） 海.$  只匹配以 海%  结尾的字符，  海$.这样是匹配不到东西的

# a.  匹配全部相似  a.的字符串  相似 a%   没加量词其只能匹配 两个字符

#^([1-9]\d{16}[0-9x]|[1-9]\d{14})$  此处十八位必定要放前面，否则会出错

#其实正则表达式有个顺序   【匹配规则】【次数】【？惰性与否】  次数的话有【*  +  ?  {}  {n,}  {n,m}】 不写就是一次

#<.*>   贪婪匹配，会把 < 日后的值所有找到，直到最后一个，而后再往回找  >  这中间的值就是咱们这条正则表达式找到的，回溯匹配
#<.*?>  惰性匹配  它把 > 捏在手里，而后从 < 日后开始找，一旦找到 >  就立刻返回

#写正则的时候，要注意别加空格，加空格正则觉得你要匹配空格

#？ 问号的集中意思  1表示量词  2表示惰性匹配  3,python中 ?P的使用  4,python中取消分组优先
import re
s = '350524199903280533'
res = re.search('(?P<province>\d{6})(?P<Birth>\d{8})(?P<ID>\d{4})',s).groupdict()
print(res)   #>>>>> {'province': '350524', 'Birth': '19990328', 'ID': '0533'}

#取消分组优先
ret = re.findall('www.(baidu|oldboy).com','www.oldboy.com')
print(ret)
ret = re.findall('www.(?:baidu|oldboy).com','www.oldboy.com')
print(ret)

#关于转义，对于正则表达式中，若是须要匹配 元字符，量词 这些特殊字符就须要 用 \ 进行转义  好比 \* 表示单纯要寻找 星号
#可是若是是在字符组中 [*] 这样子直接表示匹配 * 号，由于字符组里不放量词，可是元字符则仍是要转义的
#在python中  re.findall(r'*',str) 能够直接在前面加个小写 r 就表明转义

import re
ret = re.search("<(?P<tag_name>\w+)>\w+</(?P=tag_name)>","<h1>hello</h1>")
#还能够在分组中利用?P<name>的形式给分组起名字
#获取的匹配结果能够直接用group('名字')拿到对应的值
#此处后面的(?P=tag_name)意思是在这里匹配和前面tag_name如出一辙的值
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>")
#若是不给组起名字，也能够用\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
#获取的匹配结果能够直接用group(序号)拿到对应的值
print(ret.group(1))
print(ret.group())  #结果 ：<h1>hello</h1>

import re

ret=re.findall(r"\d+","1-2*(60+(-40.35/5)-(-4*3))")
print(ret) #['1', '2', '60', '40', '35', '5', '4', '3']
ret=re.findall(r"-?\d+\.\d*|(-?\d+)","1-2*(60+(-40.35/5)-(-4*3))")
print(ret) #['1', '-2', '60', '', '5', '-4', '3']
ret.remove("")
print(ret) #['1', '-2', '60', '5', '-4', '3']

1、 匹配一段文本中的每行的邮箱
      http://blog.csdn.net/make164492212/article/details/51656638

二、 匹配一段文本中的每行的时间字符串，好比：‘1990-07-12’；

   分别取出1年的12个月（^(0?[1-9]|1[0-2])$）、
   一个月的31天：^((0?[1-9])|((1|2)[0-9])|30|31)$

三、 匹配qq号。(腾讯QQ号从10000开始)  ［1,9］[0,9]{4,}

四、 匹配一个浮点数。       ^(-?\d+)(\.\d+)?$   或者  -?\d+\.?\d*

五、 匹配汉字。             ^[\u4e00-\u9fa5]{0,}$ 

六、 匹配出全部整数

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
复制代码
 简化版

复制代码
flags有不少可选值：

re.I(IGNORECASE)忽略大小写，括号内是完整的写法
re.M(MULTILINE)多行模式，改变^和$的行为
re.S(DOTALL)点能够匹配任意字符，包括换行符
re.L(LOCALE)作本地化识别的匹配，表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境，不推荐使用
re.U(UNICODE) 使用\w \W \s \S \d \D使用取决于unicode定义的字符属性。在python3中默认使用该flag
re.X(VERBOSE)冗长模式，该模式下pattern字符串能够是多行的，忽略空白字符，并能够添加注释