python学习之路（第八天）—re模块正则表达式
正则表达式，像代码中的find开头的一些就死正则表达式，作用是筛选我们需要的信息。
用到的是re库，安装过程不再赘述，事实上也可以不用正则表达式，非必须的。这里简单学习一下
在线正则匹配
https://c.runoob.com/front-end/854
可以在线试试编写的正则表达式是否正确
正则匹配语法
re.compile方法
compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。
语法格式为：re.compile(pattern[, flags])
参考菜鸟教程：https://www.runoob.com/python/python-reg-expressions.html
我们通过代码中的案例来分析一下：
findLink = re.compile(r'<a href="(.*?)">')
# 创建正则表达式对象，标售规则 影片详情链接的规则
这是筛选影片链接的正则表达
这里链接的标签对应的就是
对应的就是’
这里的 .*?就表示的是这个链接https://movie.douban.com/subject/1292052/，括号是将链接分组
然后作用到爬取的页面中
下面是一个简单的例子：
#使用通用爬虫爬取整个页面
page_all = requests.get(url=url).text
#使用正则表达式提取页面
findLink = re.compile(r'<a href="(.*?)">')
re.match方法
re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。
函数语法：re.match(pattern, string, flags=0)
匹配成功re.match方法返回一个匹配的对象，否则返回None。
import re
line = "Cats are smarter than dogs"
test = re.match(r'(.*)', line)
if test:
print(test.group())
else:
print("No match!!")
#结果
Cats are smarter than dogs
re.search方法
re.search 扫描整个字符串并返回第一个成功的匹配。
函数语法：re.search(pattern, string, flags=0)
与match类似，区别在于
re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
re.finditer方法
和 findall 类似，在字符串中找到正则表达式所匹配的所有子串，并把它们作为一个迭代器返回。
re.finditer(pattern, string, flags=0)
转义匹配
当遇到用于正则匹配模式的特殊字符时，在前面加反斜线转义一下即可。例如.就可以用\ .来匹配
对比
findall()
在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
注意： match 和 search 是匹配一次 findall 匹配所有。
语法格式为：
findall(string[, pos[, endpos]])
参数：
- string : 待匹配的字符串。
- pos : 可选参数，指定字符串的起始位置，默认为 0。
- endpos : 可选参数，指定字符串的结束位置，默认为字符串的长度。
import re
pattern = re.compile(r'\d+') # 查找数字
result1 = pattern.findall('runoob 123 google 456')
result2 = pattern.findall('run88oob123google456', 0, 10)
print(result1)
print(result2)
#输出结果
['123', '456']
['88', '12']
还有一些其他方法不多介绍，参考自菜鸟教程可以自行学习下，
正则表达式的实例
参考菜鸟教程
#!/usr/bin/python
import re
line = "Cats are smarter than dogs"
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)
if matchObj:
print "matchObj.group() : ", matchObj.group()
print "matchObj.group(1) : ", matchObj.group(1)
print "matchObj.group(2) : ", matchObj.group(2)
else:
print "No match!!"
正则表达式：
r'(.*) are (.*?) .*'
解析:
首先，这是一个字符串，前面的一个 r 表示字符串为非转义的原始字符串，让编译器忽略反斜杠，也就是忽略转义字符。但是这个字符串里没有反斜杠，所以这个 r 可有可无。
- (.*) 第一个匹配分组，.* 代表匹配除换行符之外的所有字符。
- (.*?) 第二个匹配分组，.*? 后面多个问号，代表非贪婪模式，也就是说只匹配符合条件的最少字符
- 后面的一个 .* 没有括号包围，所以不是分组，匹配效果和第一个一样，但是不计入匹配结果中。
matchObj.group() 等同于 matchObj.group(0)，表示匹配到的完整文本字符
matchObj.group(1) 得到第一组匹配结果，也就是(.*)匹配到的
matchObj.group(2) 得到第二组匹配结果，也就是(.*?)匹配到的
因为只有匹配结果中只有两组，所以如果填 3 时会报错。
’(?P…)’ 分组匹配
例：身份证 1102231990xxxxxxxx
import re
s = '1102231990xxxxxxxx'
res = re.search('(?P<province>\d{3})(?P<city>\d{3})(?P<born_year>\d{4})',s)
print(res.groupdict())
此分组取出结果为：
{'province': '110', 'city': '223', 'born_year': '1990'}
直接将匹配结果直接转为字典模式，方便使用。
今天就到这里了。。。