【Note】Python爬虫入门系列

该笔记主要参考 cqc 大佬的 blog。

一、综述

二、爬虫基础了解

三、urllib库的基本使用

1、简单的爬取一个静态网页

response = urllib.request.urlopen("http://www.baidu.com")
print(response.read())

首先，注意，Python3中把 urllib 和 urllib2 合并了，这样其实逻辑更清楚。
其次，我们调用了urlopen这个方法，一般接受三个参数

urlopen(url, data, timeout)

• url即为URL

• data是访问URL时要传送的数据，默认为None

• timeout是设置超时时间，默认为socket._GLOBAL_DEFAULT_TIMEOUT

返回值是一个response对象，read方法可以返回获取到的网页内容.

2、POST 和 GET 数据传送

（1）POST方式不会在链接上显示所有参数

values = {"username":"[email protected]", "password":"XX"}
data = urllib.parse.urlencode(values).encode('utf-8')
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib.request.Request(url, data)
response = urllib.request.urlopen(request)
print(response.read())

  但是上述代码可能登录不进去，因为CSDN还有个流水号的字段，没有设置全，比较复杂，这里只是为了说明登录的原理。

（2）GET方式会在连接上显示所有参数，不安全

values = {"username":"[email protected]", "password":"XX"}
data = urllib.parse.urlencode(values).encode('utf-8')
url = "https://passport.csdn.net/account/login"
getUrl = url + "?" + data
request = urllib.request.Request(url, data)
response = urllib.request.urlopen(request)
print(response.read())

四、urllib的高级用法

这些东西在Chrome浏览器的“检查/F12”中都可以看到。

1、设置 Headers

（1）有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些 Headers 的属性。

import urllib
url = "http://www.server.com/login"
user_agent = "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36"
values = {"username":"XXX", "password":"XXX"}
headers = {"User-Agent":user_agent}
data = urllib.parse.urlencode(values)
request = urllib.request.Request(url, data, headers)
response = urllib.request.urlopen(request)
page = response.read()

（2）另外，我们还有对付“反盗链”的方式。对付防盗链，服务器会识别 headers 中的 referer 是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在 headers 中加入 referer。

headers = {"User-Agent":user_agent, "Referer":"https://www.zhihu.com/question/35120624"}

同上面的方法，在传送请求时把 headers 传入 Request 参数里，这样就能应付防盗链了。

（3）headers 的其他一些属性，下面的需要特别注意一下：

User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
application/json ： 在 JSON RPC 调用时使用
application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用

在使用服务器提供的RESTful或SOAP服务时，Content-Type设置错误会导致服务器拒绝服务。
其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。

2、Proxy（代理）的设置

import urllib
enable_proxy = True
proxy_handler = urllib.request.ProxyHandler({'sock5': 'localhost:1080'})
#静觅的做法，运行错误
#proxy_handler = urllib.request.ProxyHandler({"http":"http://some-proxy.com:8080"})
null_proxy_handler = urllib.request.ProxyHandler({})
if enable_proxy:
    opener = urllib.request.build_opener(proxy_handler)
else:
    opener = urllib.request.build_opener(null_proxy_handler)
urllib.request.install_opener(opener)
page = urllib.request.urlopen("https://www.baidu.com").read().decode("utf8")
print(page)

3、Timeout设置

timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。

response = urllib.request.urlopen('http://www.baidu.com', timeout=10)
response = urllib.request.urlopen('http://www.baidu.com',data, 10)

4、使用 HTTP 的 PUT 和 DELETE 方法

http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。

• PUT：这个方法比较少见。HTML表单也不支持这个。本质上来讲， PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。

• DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。

如果要使用HTTP PUT和DELETE，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib 能够发出 PUT 或DELETE 的请求，不过用的次数的确是少，在这里提一下。

import urllib
request = urllib.request.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib.request.urlopen(request)

5、使用DebugLog

可以通过下面的方法把 Debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，这个也不太常用，仅提一下。

import urllib
httpHandler = urllib.request.HTTPHandler(debuglevel=1)
httpsHandler = urllib.request.HTTPSHandler(debuglevel=1)
opener = urllib.request.build_opener(httpHandler, httpsHandler)
urllib.request.install_opener(opener)
response = urllib.request.urlopen('http://www.baidu.com')

以上便是一部分高级特性，前三个是重要内容。后面还有cookies的设置及异常的处理。

五、URLError的异常处理

1、URLError

URLError可能产生的原因：

• 网络无连接，即本机无法上网

• 连接不到特定的服务器

• 服务器不存在

在代码中，我们需要用try-except语句来包围并捕获相应的异常。

import urllib
request = urllib.request.Request("https://www.baibai.com")
try:
    urllib.request.urlopen(request)
except urllib.request.URLError as e:
    print(e.reason)

我们利用了 urlopen方法访问了一个不存在的网址，运行结果如下：

[Errno 11004] getaddrinfo failed

它说明了错误代号是11004，错误原因是 getaddrinfo failed。

2、HTTPError

HTTPError 是 URLError 的子类，在你利用 urlopen 方法发出一个请求时，服务器上都会对应一个应答对象 response，其中它包含一个数字”状态码”。举个例子，假如 response 是一个”重定向”，需定位到别的地址获取文档，urllib 将对此进行处理。

其他不能处理的，urlopen 会产生一个 HTTPError，对应相应的状态吗，HTTP 状态码表示 HTTP 协议所返回的响应的状态。下面将状态码归结如下：

100：继续 客户端应当继续发送请求。客户端应当继续发送请求的剩余部分，或者如果请求已经完成，忽略这个响应。
101： 转换协议 在发送完这个响应最后的空行后，服务器将会切换到在Upgrade 消息头中定义的那些协议。只有在切换新的协议更有好处的时候才应该采取类似措施。
102：继续处理 由WebDAV（RFC 2518）扩展的状态码，代表处理将被继续执行。
200：请求成功 处理方式：获得响应的内容，进行处理
201：请求完成，结果是创建了新资源。新创建资源的URI可在响应的实体中得到 处理方式：爬虫中不会遇到
202：请求被接受，但处理尚未完成 处理方式：阻塞等待
204：服务器端已经实现了请求，但是没有返回新的信 息。如果客户是用户代理，则无须为此更新自身的文档视图。 处理方式：丢弃
300：该状态码不被HTTP/1.0的应用程序直接使用， 只是作为3XX类型回应的默认解释。存在多个可用的被请求资源。 处理方式：若程序中能够处理，则进行进一步处理，如果程序中不能处理，则丢弃
301：请求到的资源都会分配一个永久的URL，这样就可以在将来通过该URL来访问此资源 处理方式：重定向到分配的URL
302：请求到的资源在一个不同的URL处临时保存 处理方式：重定向到临时的URL
304：请求的资源未更新 处理方式：丢弃
400：非法请求 处理方式：丢弃
401：未授权 处理方式：丢弃
403：禁止 处理方式：丢弃
404：没有找到 处理方式：丢弃
500：服务器内部错误 服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。
501：服务器无法识别 服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。
502：错误网关 作为网关或者代理工作的服务器尝试执行请求时，从上游服务器接收到无效的响应。
503：服务出错 由于临时的服务器维护或者过载，服务器当前无法处理请求。这个状况是临时的，并且将在一段时间以后恢复。

HTTPError 实例产生后会有一个 code 属性，这就是是服务器发送的相关错误号。

因为 urllib 可以为你处理重定向，也就是 3 开头的代号可以被处理，并且 100-299 范围的号码指示成功，所以你只能看到 400-599 的错误号码。

下面我们写一个例子来感受一下，捕获的异常是 HTTPError，它会带有一个 code 属性，就是错误代号，另外我们又打印了 reason 属性，这是它的父类 URLError 的属性：

import urllib
request = urllib.request.Request('http://blog.csdn.net/cqc')
try:
    urllib.request.urlopen(request)
except urllib.request.HTTPError as e:
    print(e.code)
    print(e.reason)

运行结果：错误代号是404，错误原因是Not Found。

我们知道，HTTPError的父类是URLError，根据编程经验，父类的异常应当写到子类异常的后面，如果子类捕获不到，那么可以捕获父类的异常，所以上述的代码可以这么改写：

import urllib
request = urllib.request.Request('http://blog.csdn.net/ccc')
try:
    urllib.request.urlopen(request)
except urllib.error.HTTPError as e:
    print("HTTPError")
    print(e.code, e.reason)
except urllib.error.URLError as e:
    print("URLError")
    print(e.code, e.reason)
else:
    print("OK")

另外，还可以加入 hasattr属性提前对属性进行判断，代码改写如下：

import urllib
request = urllib.request.Request('[https://www.baibai.com](https://www.baibai.com/)')
try:
    urllib.request.urlopen(request)
except urllib.error.URLError as e:
    if hasattr(e, "reason"):
        print(e.reason)
else:
    print("OK")

首先对异常的属性进行判断，以免出现属性输出报错的现象。

六、Cookie 的使用

  Cookie，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）。
  比如说有些网站需要登录后才能访问某个页面，在登录前，你想抓取某个页面内容是不允许的。那么我们可以利用Urllib库保存我们登录的Cookie，然后再抓取其他页面就达到目的了。

1、Opener
  当你获取一个URL你使用一个opener(一个urllib.OpenerDirector的实例)。在前面，我们都是使用的默认的opener，也就是urlopen。它是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。
  如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对Cookie的设置。

2、Cookielib

  cookielib模块的主要作用是提供可存储 cookie 的对象，以便于与 urllib 模块配合使用来访问 Internet 资源。Cookielib 模块非常强大，我们可以利用本模块的 CookieJar 类的对象来捕获 cookie 并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有 CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
它们的关系：CookieJar --派生--> FileCookieJar --派生--> MozillaCookieJar和LWPCookieJar

（1）获取 Cookie 保存到变量
首先，我们先利用 CookieJar 对象实现获取 cookie的功能，存储到变量中：

import urllib
import http.cookiejar as hc
#声明一个CookieJar对象实例来保存cookie
cookie = hc.CookieJar()
#利用urllib库的HTTPCookieProcessor对象来创建cookie处理器
handler=urllib.request.HTTPCookieProcessor(cookie)
#通过handler来构建opener
opener = urllib.request.build_opener(handler)
#此处的open方法同urllib的urlopen方法，也可以传入request
response = opener.open('http://www.baidu.com')
for item in cookie:
    print("name = " +item.name)
    print("value= " +item.value)

每次的运行结果中的 value 都不同。某次的运行结果为：

name = BAIDUID
value= 5A3083717227D67BF0691E0B37F6E68F:FG=1
name = BIDUPSID
value= 5A3083717227D67BF0691E0B37F6E68F
name = H_PS_PSSID
value= 26524_1425_27212_21120_18559_27244_22158
name = PSTM
value= 1543115615
name = delPer
value= 0
name = BDSVRTM
value= 0
name = BD_HOME
value= 0

（2）保存 Cookie 到文件
  如果想要将 cookie 保存到文件中，就要用到 FileCookieJar 这个对象了，在这里我们使用它的子类MozillaCookieJar来实现 Cookie 的保存。

import urllib
import http.cookiejar as hc
#设置保存cookie的文件，同级目录下的cookie.txt
filename = 'cookie.txt'
cookie = hc.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response= opener.open("http://www.baidu.com")
#保存cookie到文件
cookie.save(ignore_discard = True, ignore_expires = True)

每次运行结果都不一样。某次运行后，文件中的内容是：

# Netscape HTTP Cookie File
# http://curl.haxx.se/rfc/cookie_spec.html
# This is a generated file!  Do not edit.

.baidu.com    TRUE    /    FALSE    3690601416    BAIDUID    D7FFD9F3ECD41F5CF83AC79018247617:FG=1
.baidu.com    TRUE    /    FALSE    3690601416    BIDUPSID    D7FFD9F3ECD41F5CF83AC79018247617
.baidu.com    TRUE    /    FALSE        H_PS_PSSID    1422_21106_26350_27244_27508
.baidu.com    TRUE    /    FALSE    3690601416    PSTM    1543117761
.baidu.com    TRUE    /    FALSE        delPer    0
www.baidu.com    FALSE    /    FALSE        BDSVRTM    0
www.baidu.com    FALSE    /    FALSE        BD_HOME    0

关于最后save方法的两个参数在此说明一下。官方解释如下：

ignore_discard: save even cookies set to be discarded.
ignore_expires: save even cookies that have expiredThe file is overwritten if it already exists

  由此可见，ignore_discard的意思是即使 cookies 将被丢弃也将它保存下来，ignore_expires的意思是如果在该文件中 cookies 已经存在，则覆盖原文件写入，在这里，我们将这两个全部设置为 True。

（3）从文件中获取 Cookie 并访问
  我们已经做到把Cookie保存到文件中了，如果以后想使用，可以利用下面的方法来读取cookie并访问网站：

import urllib
import http.cookiejar as hc
cookie = hc.MozillaCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
#创建请求的request
request = urllib.request.Request("http://www.baidu.com")
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(request)
print(response.read())

  设想，如果我们的 cookie.txt 文件中保存的是某人登录百度的cookie，那么我们提取出这个cookie文件内容，就可以用以上方法模拟这个人的账号登录百度。

（4）利用 cookie 模拟网站登录
  原理是：创建一个带有 cookie 的 opener，在访问登录的 URL 时，将登录后的 cookie 保存下来，然后利用这个 cookie 来访问其他网址。如登录之后才能查看的成绩查询呀，本校的课堂在线啊等等网址，模拟登录就这么实现啦！
以我们学校的教育系统为例，利用 cookie 实现模拟登录，并将 cookie 信息保存到文本文件中，来感受一下 cookie 大法吧：

import urllib
import http.cookiejar as hc
filename = 'cookie.txt'
cookie = hc.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
postdata = urllib.parse.urlencode({'username':'XXX',
                                     'password':'XXX'}).encode('utf8')
#登录教务系统的 URL
loginURL = "http://my.hhu.edu.cn/login.portal"
#模拟登录，并把 cookie 保存到变量
result = opener.open(loginURL, postdata)
#保存 cookie 到 cookie.txt 中
cookie.save(ignore_discard=True, ignore_expires = True)
#利用 cookie 请求访问另一个网址，此网址是本校课堂在线
ktzxURL = "http://ktzx.hhu.edu.cn/portal/"
#请求访问该网址，并将读取到的内容保存至文件中
result2 = opener.open(ktzxURL)
with open("read.txt", "wb") as f:
    f.write(result2.read())

现在可以顺利获取网站信息了，接下来就是把网站里面有效内容提取出来，下一节会会正则表达式吧！

七、正则表达式

1、了解正则表达式
  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。

正则表达式的大致匹配过程是：

• 依次拿出表达式和文本中的字符比较，
• 如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。
• 如果表达式中有量词或边界，这个过程会稍微有一些不同。

2、正则表达式的语法规则

3、正则表达式相关注解
（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。
注：我们一般使用非贪婪模式来提取。
（2）反斜杠问题
  与大多数编程语言相同，正则表达式里使用\作为转义字符，这就可能造成反斜杠困扰。假如你需要匹配文本中的字符\，那么使用编程语言表示的正则表达式里将需要 4 个反斜杠\\\\：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。
Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。同样，匹配一个数字的"\d"可以写成r"\d"。有了原生字符串，妈妈也不用担心是不是漏写了反斜杠，写出来的表达式也更直观勒。

4、Python Re模块
（1） re.compile(string[,flag])

#返回pattern对象
re.compile(string[,flag])

其中，flag是匹配模式，取值可以使用按位或运算符|表示同时生效，比如 re.I | re.M。可选值有：

• re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
• re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
• re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
• re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
• re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
• re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

注：以下七个方法中的 flags 同样是代表匹配模式的意思，如果在 pattern 生成时已经指明了 flags，那么在下面的方法中就不需要传入这个参数了。
（2）re.match(pattern, string[, flags])
  这个方法将会从 string（我们要匹配的字符串）的开头开始，尝试匹配 pattern，一直向后匹配。如果遇到无法匹配的字符，或者匹配未结束已经到达 string 的末尾，都会返回 None，表示匹配失败。否则匹配 pattern 成功，同时匹配终止，不再对 string 向后匹配。

import re
# 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')
# 使用re.match匹配文本，获得匹配结果，无法匹配时将返回None
res1 = re.match(pattern, 'hello')
res2 = re.match(pattern, 'helloo world')
res3 = re.match(pattern, 'helo world')
res4 = re.match(pattern, 'hello world')
if res1:
print(res1.group())
else:
print("1匹配失败")
if res2:
print(res2.group())
else:
print("2匹配失败")
if res3:
print(res3.group())
else:
print("3匹配失败")
if res4:
print(res4.group())
else:
print("4匹配失败")

运行结果为：

hello
hello
3匹配失败
hello

  我们还看到最后打印出了 result.group()，这个是什么意思呢？下面我们说一下关于 match 对象的的属性和方法。
  Match 对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用 Match 提供的可读属性或方法来获取这些信息。

属性：
1.string: 匹配时使用的文本。
2.re: 匹配时使用的Pattern对象。
3.pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4.endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5.lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：
1.group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2.groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3.groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4.start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5.end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符’0’，只能使用\g0。

下面我们用一个例子来体会一下：

import re
# 匹配如下内容：单词+空格+单词+任意字符
m = re.match(r'(\w+) (\w+)(?P.*)', 'hello world!')
print("m.string: ", m.string)
print("m.re    : ", m.re)
print("m.pos   : ", m.pos)
print("m.endpos: ", m.endpos)
print("m.lastindex  : ", m.lastindex)
print("m.lastgroup  : ", m.lastgroup)
print("m.group()    : ", m.group())
print("m.group(1,2) : ", m.group(1,2))
print("m.groups()   : ", m.groups())
print("m.groupdict(): ", m.groupdict())
print("m.start(2)   : ", m.start(2))
print("m.end(2)     : ", m.end(2))
print("m.span(2)    : ", m.span(2))
print(r"m.expand(r'\g \g\g'): ", m.expand(r'\2 \1\3'))

运行结果：

m.string:  hello world!
m.re    :  re.compile('(\\w+) (\\w+)(?P.*)')
m.pos   :  0
m.endpos:  12
m.lastindex  :  3
m.lastgroup  :  sign
m.group()    :  hello world!
m.group(1,2) :  ('hello', 'world')
m.groups()   :  ('hello', 'world', '!')
m.groupdict():  {'sign': '!'}
m.start(2)   :  6
m.end(2)     :  11
m.span(2)    :  (6, 11)
m.expand(r'\g \g\g'):  world hello!

（3）re.search(pattern, string[, flags])
  search 方法与 match 方法极其类似，区别在于match()只检测 re 是不是在 string 的开始位置匹配，search()会扫描整个 string 查找匹配。search()的返回对象和 match()返回对象的方法和属性一样。我们用一个例子感受一下：

import re
pattern = re.compile(r'world')
match  = re.match(pattern, "hello world!")
search = re.search(pattern, "hello world!")
if match:
    print("match 成功:" + match.group())
if search:
    print("search 成功:" + search.group())
#运行结果：search 成功:world

（4）re.split(pattern, string[, maxsplit])
  按照能够匹配的子串将string分割后返回列表。maxsplit 用于指定最大分割次数，不指定将全部分割。

import re
pattern = re.compile(r'\d+')
print(re.split(pattern, 'ont1two2three3four4'))
#运行结果：['ont', 'two', 'three', 'four', '']

（5）re.findall(pattern, string[, flags])

import re
pattern = re.compile(r'\d+')
print(re.findall(pattern,'one1two2three3four4'))
#运行结果：['1', '2', '3', '4']

（6）re.finditer(pattern, string[, flags])
  搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re
pattern = re.compile(r'\d+')
for m in re.finditer(pattern, 'one1two2three3four4'):
    print(m.group(), end = ' ')
运行结果：1 2 3 4

（7）re.sub(pattern, repl, string[, count])
使用 repl 替换 string 中每一个匹配的子串后返回替换后的字符串。

• 当 repl 是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。
• 当 repl 是一个方法时，这个方法应当只接受一个参数(Match对象)，并返回一个字符串用于替换(返回的字符串中不能再引用分组)。

使用 count 用于指定最多替换次数，不指定时全部替换。

import re
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print(re.sub(pattern,r'\2 \1', s))
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print(re.sub(pattern,func, s))
#运行结果：
#say i, world hello!
#I Say, Hello World!

（8）re.subn(pattern, repl, string[, count])
返回 (sub(repl, string[, count]), 替换次数)。

import re
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print(re.sub(pattern,r'\2 \1', s))
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
print(re.sub(pattern,func, s))
#运行结果：
#('say i, world hello!', 2)
#('I Say, Hello World!', 2)

5、Python re 模块的另一种使用方式
  在上面我们介绍了 7 个工具方法(第一个可看做生成 pattern 对象的方法)，例如 match、search 等等，不过调用方式都是re.match，re.search的方式，其实还有另外一种调用方式，可以通过pattern.match，pattern.search调用，这样调用便不用将pattern 作为第一个参数传入了，大家想怎样调用皆可。