本節主要內容
1. 正則表達式
2. re模塊的使?
3. ?堆練習

一、正則表達式

　　?先, 我們在??上進?註冊或者登陸的時候經常能看到?些格式上的錯誤提?. 比如:
你在註冊百度賬號的時候https://passport.baidu.com/v2/?reg&regType=1&tpl=wk 輸入?戶
名隨意的輸入系統會提?你. 你的賬號過?或者不允許使?中?等等操作. 那這種操作如果使

?我們現有的知識點是可以完成的. 但是完成的效果並不好. 寫起來也不容易. 尤其是對郵箱
的匹配. 電話號碼的匹配. 那正則表達式就是專?來處理類似問題的?種表達式. 英?全
稱: Regular Expression. 簡稱 regex或者re. 但你要知道我們在使?python的re模塊之前. 我

們?先要對正則有?定的了解和認識. 就像我們使?time模塊之前. 我們已經對時間有了?定
的認識.

　　正則表達式是對字符串操作的?種邏輯公式. 我們?般使?正則表達式對字符串進?匹
配和過濾. 使?正則的優缺點:

　　優點: 靈活, 功能性強, 邏輯性強.
　　缺點: 上?難. ?旦上?, 會愛上這個東?
　　?具: 各??本編輯器?般都有正則匹配功能. 我們也可以去http://tool.chinaz.com/regex/進?在線測試.

　　正則表達式由普通字符和元字符組成. 普通字符包含??寫字?, 數字. 在匹配普通字符
的時候我們直接寫就可以了. 比如"abc" 匹配的就是"abc". 我們如果?python也可以實現相
同的效果. 所以普通字符沒什麽好說的. 重點在元字符上.

　　元字符: 元字符才是正則表達式的靈魂. 元字符中的內容太多了, 在這?我們只介紹?些
常?的.

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

　　思考: [a-zA-Z0-9]匹配的是什麽?

2. 簡單元字符
　　基本的元字符. 這個東??上?搜??堆. 但是常?的就那麽?個:

. 匹配除換?符以外的任意字符
\w 匹配字?或數字或下劃線
\s 匹配任意的空?符
\d 匹配數字
\n 匹配?個換?符
\t 匹配?個制表符
\b 匹配?個單詞的結尾
^ 匹配字符串的開始
$ 匹配字符串的結尾
\W 匹配?字?或數字或下劃線
\D 匹配?數字
\S 匹配?空?符
a|b 匹配字符a或字符b
() 匹配括號內的表達式，也表示?個組
[...] 匹配字符組中的字符
[^...] 匹配除了字符組中字符的所有字符

3.量詞

　　我們到?前匹配的所有內容都是單??字符號. 那如何?次性匹配很多個字符呢,
我們要?到量詞。

* 重復零次或更多次
+ 重復?次或更多次
? 重復零次或?次
{n} 重復n次
{n,} 重復n次或更多次
{n,m} 重復n到m次

4.惰性匹配和貪婪匹配

　　在量詞中的*, +,{} 都屬於貪婪匹配. 就是盡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?.*後?如果加了? 則是盡可能的少匹配. 表?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?個x為?.

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

5.分組

　　在正則中使?()進?分組. 比如. 我們要匹配?個相對復雜的?份證號. ?份證號分
成兩種. 老的?份證號有15位. 新的?份證號有18位. 並且新的?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

6. 轉義
　　在正則表達式中, 有很多有特殊意義的是元字符, ?如\n和\s等,如果要在正則中匹
配正常的"\n"?不是"換?符"就需要對"\"進?轉義, 變成‘\\‘.在python中, ?論是正則表達式, 還
是待匹配的內容, 都是以字符串的形式出現的, 在字符串中\也有特殊的含義, 本身還需要轉
義. 所以如果匹配?次"\n", 字符串中要寫成‘\\n‘, 那麽正則?就要寫成成"\\\\n",這樣就太麻煩了.

這個時候我們就?到了r‘\n‘這個概念, 此時的正則是r‘\\n‘就可以了.

練習:
1. 匹配郵箱
2. 匹配?機號
3. 匹配??. ?期格式(yyyy-MM-dd)

二、re模塊

　　re模塊是python提供的?套關於處理正則表達式的模塊. 核?功能有四個:

　　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 只能從字符串的開頭進行匹配

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叠代器

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.其他的操作

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") # 把字符串中
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}‘) # 將正則表達式編譯成為?個 正則表達式對象, 規則要匹配的
是3個數字
ret = obj.search(‘abc123eeee‘) # 正則表達式對象調?search, 參數為待匹配的字符串
print(ret.group()) # 結果: 123

　　6.爬蟲重點：

obj = re.compile(r‘(?P<id>\d+)(?P<name>e+)‘) # 從正則表達式匹配的內容每個組起名
字
ret = obj.search(‘abc123eeee‘) # 搜索
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

　　以上有兩個坑

　　註意：在re模塊中和我們在線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?內容返回,如果想要匹
配結果,取消權限即可

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

　　split裏也有一個坑

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?過程是?常重要的。

　　這種優先級的問題有時候會幫我們完成很多功能. 我們來看?個比較復雜的例?

import re
from urllib.request import urlopen
import ssl

# ?掉數字簽名證書
ssl._create_default_https_context = ssl._create_unverified_context

content = urlopen("https://www.dytt8.net/html/gndy/dyzz/20181228/57986.html").read().decode("gbk")
# print(content) #測試下是否可以獲取到
reg = r‘<div id="Zoom">.*?◎片　　名(?P<DVD_name>.*?)<br />◎年　　代(?P<years>.*?)<br />◎產　　地(?P<made_address>.*?)<br />.*?<br />◎主　　演(?P<main_yan>.*?)◎簡　　介 <br /><br />(?P<jianjie>.*?)<br /><br />.*?<a href="(?P<DownLine>.*?)">‘
res = re.finditer(reg,content,re.S)
for i in res:
    print("電影名：")
    print("\t"+i.group("DVD_name")) #電影名字
    print("年代：")
    print("\t"+i.group("years")) # 年代
    print("產地：")
    print("\t"+i.group("made_address")) #產地
    print("主演：")
    print("\t"+i.group("main_yan").replace("<br />","、").replace("　　　　　　","")) #主演
    print("簡介：")
    print("\t"+i.group("jianjie")) # 簡介
    print("下載鏈接：")
    print("\t"+i.group("DownLine")) #下載鏈接

　　正則表達式和re模塊就說這麽多. 如果要把正則所有的內容全部講清楚講明?, ?少要?周
以上的時間. 對於我們?常使???. 上述知識點已經夠?了. 如果碰到?些極端情況建議想
辦法分部處理. 先對字符串進?拆分. 然後再考慮?正則.

常用模塊3（和之前的1，2一起食用效果更佳）