25_re模块

一、re模块的核心功能

 

    1、findall —— 查找所有，返回list

 lst = re.findall("m", "mai le fo len, mai ni mei!")

 print(lst) # ['m', 'm', 'm']

 lst = re.findall(r"\d+", "5点之前. 你要给我5000万")

 print(lst) # ['5', '5000']

2、finditer —— 和findall差不多，返回的是迭代器

 it = re.finditer("m", "mai le fo len, mai ni mei!")

 for el in it:

     print(el.group()) # 依然需要分组

3、search —— 会进行批评，但是如果匹配到了第一个结果，就返回这个结果。如果匹配不上search返回None

 ret = re.search(r'\d', '5点之前. 你要给我5000万').group()

 print(ret) #

4、match —— 只能从字符串的开头进行匹配

 ret = re.match('a', 'abc').group()

 print(ret) # a

    5、其他操作

 ret = re.split('[ab]', 'qwerafjbcd') # 先按'a'分割得到'qwer'和'fjbcd',在对'qwer'和'fjbcd'分别按'b'分割

 print(ret) # ['qwer', 'fj', 'cd']

 ret = re.sub(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 把字符串中的数字换成__sb__

 print(ret) # alex_sb_taibai_sb_wusir_sb_ritian_sb_

 ret = re.subn(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 将数字替换成'__sb__'，返回元组(替换的结果,替换了多少次)

 print(ret) # ('alex_sb_taibai_sb_wusir_sb_ritian_sb_', 4)

 obj = re.compile(r'\d{3}') # 将正则表达式编译成为⼀个 正则表达式对象, 规则要匹配的是3个数字

 ret = obj.search('abc123eeee') # 正则表达式对象调⽤search, 参数为待匹配的字符串

 print(ret.group()) # 结果: 123

    6、爬虫（重点）

 obj = re.compile(r'(?P<id>\d+)(?P<name>e+)') # 从正则表达式匹配的内容每个组起名字

 ret = obj.search('abc123eeee') # 搜索

 print(ret.group()) # 结果: 123eeee

 print(ret.group("id")) # 结果: 123 # 获取id组的内容

 print(ret.group("name")) # 结果: eeee # 获取name组的内容

注意： 在re模块中和我们在线测试⼯具中的结果可能是不⼀样的

 ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')

 print(ret) # ['oldboy'] 这是因为findall会优先把匹配结果组⾥内容返回,如果想要匹配结果,取消权限即可

 ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com')

 print(ret) # ['www.oldboy.com']

 ret=re.split("\d+","eva3egon4yuan")

 print(ret) #结果 ： ['eva', 'egon', 'yuan']

 ret=re.split("(\d+)","eva3egon4yuan")

 print(ret) #结果 ： ['eva', '3', 'egon', '4', 'yuan']

 #在匹配部分加上（）之后所切出的结果是不同的，

 #没有（）的没有保留所匹配的项，但是有（）的却能够保留了匹配的项，

 #这个在某些需要保留匹配部分的使⽤过程是⾮常重要的。

爬取豆瓣网

 import ssl

 import re

 from urllib.request import urlopen

 ssl._create_default_https_context = ssl._create_unverified_context   # ⼲掉数字签名证书

 def getPage(url):

     response = urlopen(url)

     return response.read().decode('utf-8')

 def parsePage(s):

     com = re.compile(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)

      print(response_html)

      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