Python基础学习之路(九) ------ 正则表达式

1. 提取数据

在前面我们已经搞定了怎样获取页面的内容，不过还差一步，这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！

正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

正则表达式是用来匹配字符串非常强大的工具，在其他编程语言中同样有正则表达式的概念，Python同样不例外，利用了正则表达式，我们想要从返回的页面内容提取出我们想要的内容就易如反掌了

规则：

2. 正则表达式相关注解

2.1 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串
Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；非贪婪的则相反，总是尝试匹配尽可能少的字符

例如：正则表达式”ab”如果用于查找”abbbc”，将找到”abbb”。而如果使用非贪婪的数量词”ab?”，将找到”a”

2.2 常用方法

• re.match
  • 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)
• re.search
  • 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)
• re.sub
  • re.sub 替换字符串
    re.sub(pattern,replace,string)
• re.findall
  • re.findall 查找全部
    re.findall(pattern,string,flags=0)

3. 正则表达式修饰符 - 可选标志

正则表达式可以包含一些可选标志修饰符来控制匹配的模式。修饰符被指定为一个可选的标志。多个标志可以通过按位 OR(|) 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志：

案例 :

import re

str1 = "I Study Python3.6 Everyday"
print("-------------match()-----------------")
# 匹配I字符
m1 = re.match(r'I', str1)
m2 = re.match(r'\w', str1)
m3 = re.match(r'.', str1)
m4 = re.match(r'\D', str1)
m5 = re.match(r'i', str1, re.I)
m6 = re.match(r'\S', str1)
# m7 = re.match(r'Study', str1)  # 匹配不到，因为match是从左开始匹配
print(m6.group())
print("-------------search()-----------------")
# 匹配Study
s1 = re.search(r'Study', str1)
s2 = re.search(r'S\w+', str1)
# 匹配Python3.6
s3 = re.search(r'P\w+.\d', str1)
print(s3.group())
print("-------------findall()-----------------")
# 查找所有y
f1 = re.findall(r'y', str1)
print(f1)
print("-------------test()-----------------")
str2 = '<div><a href="http://www.bjsxt.com">bjsxt尚学堂</a></div>'
# 提取a标签的内容
t1 = re.findall(r'[\u4e00-\u9fa5]\w+', str2)
t2 = re.findall(r'<a href="http://www.bjsxt.com">(.+)</a>', str2)
# 提取herf
t3 = re.findall(r'<a href="(.+)">', str2)
print(t3)
print("-------------sub()-----------------")
# 将str2的div换成span
su1 = re.sub(r'<div>(.+)</div>', r'<span>\1</span>', str2)
print(su1)