一、正則表示式

　　正則表示式是對字串操作的一種邏輯公式. 我們一般使用正則表示式對字串進行匹配和過濾. 使用正則的優缺點: 

　　優點: 靈活, 功能性強, 邏輯性強.
　　缺點: 上手難. 一旦上手, 會愛上這個東西

　　1.字元組

　　　　字元組很簡單用[]括起來. 在[]中出現的內容會被匹配. 例如:[abc] 匹配a或b或c 如果字元組中的內容過多還可以使用- , 例如: [a-z] 匹配a到z之間的所有字母 [0-9]匹配所有阿拉伯數字

　　2.簡單元字元

　　　　常用的元字元

.    匹配除換行符以外的任意字元
\w   匹配字母或數字或下劃線
\s   匹配任意的空白符
\d   匹配數字
\n   匹配一個換行符
\t   匹配一個製表符
\b   匹配一個單詞的結尾
 
^    匹配字串的開始
$    匹配字串的結尾
\W   匹配非字母或數字或下劃線
\D   匹配非數字
\S   匹配非空白符
a|b  匹配字元a或字元b
()   匹配括號內的表示式，也表示一個組
[...] 匹配字元組中的字元
[^...] 匹配除了字元組中字元的所有字元

　　3.量詞　　

　　我們到目前匹配的所有內容都是單一文字元號. 那如何一次性匹配很多個字元呢,我們要用到量詞

*   重複零次或更多次
+   重複一次或更多次
?   重複零次或一次
{n} 重複n次
{n,} 重複n次或更多次
{n,m} 重複n到m次

　　4.貪婪匹配和惰性匹配

　　　　在量詞中的*, +,{} 都屬於貪婪匹配. 就是儘可能多的匹配到結果. 

str: 麻花藤昨天讓英雄聯盟關服了
reg: 麻花藤.* 

此時匹配的是整句話

　　　　在使用.*後面如果加了? 則是儘可能的少匹配. 表示惰性匹配

str: 麻花藤昨天讓英雄聯盟關服了
reg: 麻花藤.*?

此時匹配的是 麻花藤

str: <div>胡辣湯</div>
reg: <.*>
結果: <div>胡辣湯</div>

str: <div>胡辣湯</div>
reg: <.*?>
結果: 
    <div>
    </div>

str: 
 
<div>胡辣湯</div>
reg: <(div|/div*)?>
結果:
    <div>
    </div>

.　　　　*?x的特殊含義 找到下一個x為止.

str: abcdefgxhijklmn
reg: .*?x
結果:abcdefgx

　　5.分組

　　　　在正則中使用()進行分組. 比如. 我們要匹配一個相對複雜的身份證號. 身份證號分成兩種. 老的身份證號有15位. 新的身份證號有18位. 並且新的身份證號結尾有可能是x.

給出以下正則:
^[1-9]\d{13,16}[0-9x]$
^[1-9]\d{14}(\d{2}[0-9x])?$
^([1-9]\d{16}[0-9x]|[1-9]\d{14})$

　　6.轉義

　　　　在正則表示式中, 有很多有特殊意義的是元字元, 比如\n和\s等,如果要在正則中匹配正常的"\n"而不是"換行符"就需要對"\"進行轉義, 變成'\\'.在python中, 無論是正則表示式, 還是待匹配的內容, 都是以字串的形式出現的, 在字串中\也有特殊的含義, 本身還需要轉義. 所以如果匹配一次"\n", 字串中要寫成'\\n', 那麼正則⾥就要寫成"\\\\n",這樣就太麻煩了.這個時候我們就用到了r'\n'這個概念, 此時的正則是r'\\n'就可以了.

二、re模組

　　re模組是python提供的一套關於處理正則表示式的模組. 核心功能有四個：

　　　　1.findall 查詢所有. 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點之前. 你要給我5000萬")
print(lst) # ['5', '5000']　　

　　　　2. search 會進行匹配. 但是如果匹配到了第一個結果. 就會返回這個結果. 如果匹配不上search返回的則是None

ret = re.search(r'\d', '5點之前. 你要給我5000萬').group()
print(ret) # 5

　　　　3. match 只能從字串的開頭進行匹配

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

　　　　4. finditer 和findall差不多. 只不過這時返回的是迭代器

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

for el in it:
    print(el.group()) # 依然需要分組

　　　　5.其他操作

ret = re.split('[ab]', 'qwerafjbcd') # 先按'a'分割得到'qwer'和'fjbcd',在對'qwer'和'fjbcd'分別按'b'分割
print(ret) # ['qwer', 'fj', 'cd']

ret = re.sub(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 把字串中的數字換成__sb__
print(ret) # alex_sb_taibai_sb_wusir_sb_ritian_sb_

ret = re.subn(r"\d+", "_sb_", "alex250taibai250wusir250ritian38") # 將數字替換成'__sb__'，返回元組(替換的結果,替換了多少次)
print(ret) # ('alex_sb_taibai_sb_wusir_sb_ritian_sb_', 4)

obj = re.compile(r'\d{3}') # 將正則表示式編譯成為一個 正則表示式物件, 規則要匹配的是3個數字
ret = obj.search('abc123eeee') # 正則表示式物件呼叫search, 引數為待匹配的字串
print(ret.group()) # 結果: 123

爬蟲重點: 
obj = re.compile(r'(?P<id>\d+)(?P<name>e+)') # 從正則表示式匹配的內容每個組起名字
ret = obj.search('abc123eeee') # 搜尋
print(ret.group()) # 結果: 123eeee
print(ret.group("id")) # 結果: 123 # 獲取id組的內容
print(ret.group("name")) # 結果: eeee # 獲取name組的內容

　　　　6.兩個坑

　　　　　　注意: 在re模組中和我們線上測試工具中的結果可能是不一樣的. 

ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret) # ['oldboy']  這是因為findall會優先把匹配結果組裡內容返回,如果想要匹配結果,取消許可權即可

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

　　　　split裡也有一個坑

ret=re.split("\d+","eva3egon4yuan")
print(ret) #結果 ： ['eva', 'egon', 'yuan']

ret=re.split("(\d+)","eva3egon4yuan")
print(ret) #結果 ： ['eva', '3', 'egon', '4', 'yuan']

#在匹配部分加上（）之後所切出的結果是不同的，
#沒有（）的沒有保留所匹配的項，但是有（）的卻能夠保留了匹配的項，
#這個在某些需要保留匹配部分的使用過程是非常重要的。