unit1 正規表示式 re
正規表示式：regular expression regex re
簡潔的表達一組字串的表示式，（查詢，替換，匹配）。
表達「 特徵」（病毒，入侵）
使用：
語法：字元+操作符
.[ ]
[^ ]*+
?|任意單個字元
字符集，某乙個字元
非字符集，非某乙個字元
前一字元，0或n次重複
前一字元，1或n次重複
前一字元，重複 0或1次
左右任意乙個 ^
$( )
\d\w
重複前乙個字元m次
前一m到n次（含n）
開頭結尾
分組，內部只能有 | 操作符
數字單詞字元
舉例：經典表達
^[a-za-z]+$ 由26個字母組成的字串
^[a-za-z0-9]+$ 由26個字母和數字組成的字串
^-?\d+$ 整數
[\u4e00-\u9fa5] 匹配中文字元（utf-8編碼）
unit 2 re庫
re庫介紹 import re
re庫採用raw string (不包含轉義符的字串)型別表示正規表示式，表示為：r'text'
如：r'[1-9]\d'
一、主要函式
1、re.search( pattern, string, flags=0)
匹配正規表示式的第乙個位置，返回match物件。
import re
match = re.search(r'[1-9]\d', 'bit 100086')
if match:
print(match.group(0))
#匹配結果10086
2、re.match( pattren, string, flags=0)
從乙個字串的
起始位置匹配，返回乙個match。
import re
match = re.search(r'[1-9]\d', 'buaa 100086')
if match:
print(match.group(0))
#匹配結果無attributeerror: 'nonetype' object has no attribute 'group'
match = re.search(r'[1-9]\d', '100086 buaa')
if match:
print(match.group(0))
#匹配結果10086
3、re.findall( pattern, string, flags=0)
搜尋字串，以列表型別返回全部能匹配的子串。
>>> ls = re.findall(r'[0-9]\d', 'buaa 100086 bit 100081')
>>> ls
['100086', '100081']
4、re.split( pattern, string, maxsplit=0, flags=0)
將字串按照正規表示式匹配結果進行分割，
返回列表型別 。
>>> re.split(r'[0-9]\d', 'buaa 100086 bit 100081')
['buaa ', ' bit ', '']
>>> re.split(r'[0-9]\d', 'buaa 100086 bit 100081', maxsplit = 1)
['buaa ', ' bit 100081']
5、re.finditer( pattern, string, flags=0)
搜尋字串，返回乙個匹配結果
迭代型別，每個迭代型別是match物件。
import re
for m in re.finditer(r'[0-9]\d', 'buaa 100086 bit 100081'):
if m:
print(m.group(0))
###100086
###100081
6、re.sub( pattern, repl, string, count=0, flags=0)
將字串中正規表示式的子串
替換，返回替換後的字串 。
>>> re.sub(r'[0-9]\d',':zipcode', 'buaa 100086 bit 100081')
'buaa :zipcode bit :zipcode'
用法總結：
函式式用法：一次操作
rst = re.search(r'[1-9]\d', 'buaa 100086')
物件導向用法：編譯後多次操作
pat = re.compile(r'[1-9]\d') #pattern物件
rst = pat.search('buaa 100086')
7+、re.compile( pattern, flags=0)
將正規表示式字串形式（不是正規表示式） 編譯成 正規表示式物件，pattern物件
pattern物件的方法：
regex = re.compile(r'[1-9]\d')
此時，可以使用 regex 的六個方法，與前 re 的方法對應。
二、re庫的match物件
match物件：
match物件的屬性：
match物件的方法：
三、re庫的貪婪匹配和最小匹配
例項：貪婪匹配（最長匹配，預設）
match = re.search(r.'py.*n', 'pyanbn***n') #有四種匹配方式，re庫預設採用貪婪匹配方法。
match.group(0)
最小匹配，擴充套件 操作符
*？前乙個字元0次或無限次擴充套件，最小匹配
+？前乙個字元1次或無限次擴充套件，最小匹配
？？前乙個字元0次或1次擴充套件，最小匹配
?擴充套件前乙個字元m至n次（含n），最小匹配
python爬蟲 re庫（正則）
1.re.match re.match嘗試從字元創的起始位置匹配乙個模式，如果不是起始位置匹配成功的話，就會返回none。re.match pattern,string,flags 0 2.最常規的匹配 import re content hello 123 4567 world this is a...
網路爬蟲之網頁資料解析（正則re）
正規表示式測試 title u 你好，hello，世界,天安門，願望 pattern re.compile u u4e00 u9fa5 result pattern.findall title print result 貪婪模式與非貪婪模式import re str aatest1 bbtest2 ...
python網路爬蟲學習筆記（1）
一 三種網頁抓取方法 1 正規表示式 模組使用c語言編寫，速度快，但是很脆弱，可能網頁更新後就不能用了。2 beautiful soup 模組使用python編寫，速度慢。安裝 pip install beautifulsoup4 3 lxml 模組使用c語言編寫，即快速又健壯，通常應該是最好的選擇...