025-2018-1011 re模块

1.今日内容大纲

一. 昨日内容回顾
    1. 正则表达式
        1. 普通字符. a in xxxx
        2. 元字符
            . 除了换行
            \w 数字, 字母, 下划线
            \d 数字
            \s 空白
            \n 换行
            \b 单词的末尾
            \t
            \W
            \D
            \S
            ^ 开始
            $ 结束
            |  或者
            () 分组
            [] 字符组  [fsklajf]
            [^] 除了这里面的内容

        3. 量词
            * 0-n
            + 1-n
            ? 0-1 尽可能的少
            {n} 重复n次
            {n, } 重复n次到多次
            {n, m} 重复n-m次 m必须大于n

        4. 贪婪
            * +
            .*
            .?
            .*? 惰性匹配
            .*?x
        5. 分组
            () 的优先级是高的.
            \1 获取第一个分组内的正则, 数的是小括号

        6. 转义
            在正则:
                \.
                \元字符
            python
                "\\."
                r"\."
二. 作业

三. 今日主要内容
    1. re
        findall()
        finditer()
        search()
        match()

        正则:在python中()表示分组  (?:)去掉python的分组
        (?P<名字> 正则) 把正则匹配到的内容分组成"名字"组

    2. 模块
        import 模块名
        1. 检查是否已经导入过 , 顺序, 内存-> 内置 -> sys.path
        2. 如果没有导入过这个模块. 先创建一个名称空间
        3. 然后把导入的模块执行一遍. 把执行的结果放在刚才的空间中
        4. 把模块的名字命名给这个空间

        所有被导入的模块都会放在sys.modules字典里

        使用模块中的内容. 模块名字.方法/变量/类

        __name__:
            如果当前模块是程序的入口. __name__的值:__main___
            如果模块是被其他模块引入的. __name__是模块名

        from xxx import xxx
            from 模块 import 模块中的内容
            from 模块 import * 不推荐

            导入的内容可以直接使用. 不需要模块.xxx. 和当前模块中的变量冲突

        明日预习:
            包

        作业:
            爬电影. http://www.dytt8.net/
            爬出来电影名称和主演和导演和电影的下载链接

            也可以爬链家(????)

---

2.re模块

import re

1. findall 查找所有结果.
lst = re.findall("a", "abcabcdefgabc")
print(lst)

# 2. finditer 查找到的结果返回迭代器
it = re.finditer(r"\d+", "鑫姐28号又收入了5000块") # 28  5000
for el in it: # 从迭代器中获取到的是分组的信息
    print(el.group()) # 获取具体信息

# 3. search() 查找. 如果查找到第一个结果. 就停止. 如果查不到结果就返回None
ret = re.search("a", "abac")
print(ret.group())

# 4. match() 匹配
ret = re.match("a", "bcda") # 从头开始找  ^
print(ret.group())


#  5. 操作
  split  切割. 按照正则切割.
lst = re.split(r"[ab]", "abcdefghahahehedebade")
print(lst)



  sub 替换.
result = re.sub("250", "__sb__", "alex250taibai250taihei250ritian250liuwei")
print(result)

result = re.subn("250", "__sb__", "alex250taibai250taihei250ritian250liuwei")
print(result)

obj = re.compile(r"\d+")
lst = obj.findall("大阳哥昨天赚了5000块")
lst2 = obj.findall("银行流水5000， 花了6000")
print(lst)
print(lst2)



obj = re.compile(r"(?P\d+)(?Pe{3})")
ret = obj.search("abcdefg123456eeeee") # ((123456)(eee))
print(ret.group())
print(ret.group("id"))
print(ret.group("zimu"))


ret = re.findall('www.(baidu|oldboy).com', 'www.oldboy.com')
print(ret) # 这是因为findall会优先把匹配结果组⾥内容返回,如果想要匹配结果,取消权限即可
ret = re.findall('www.(?:baidu|oldboy).com', 'www.oldboy.com') # ?: 当前的（）不分组
print(ret) # ['www.oldboy.com']


ret=re.split("sb","alexsbwusirsbtaibaisbliuwei")
print(ret)



import re
from urllib.request import urlopen  # 打开一个链接. 读取源代码
import ssl
# ⼲掉数字签名证书
ssl._create_default_https_context = ssl._create_unverified_context


def getPage(url):
    response = urlopen(url) # 和网页链接
    return response.read().decode('gbk') # 返回正常的页面源代码. 一大堆HTML
def parsePage(s): # s 是页面源代码
    ret = re.findall('
.*?
.*?(?P\d+).*?'+
        '(?P