正则表达式

前言：
re模块是爬虫的基础，文章主要从符号和用法来介绍它的基础用法

• 符号

各个符号及用法如下：

符号	含义
.	表示匹配除了换行符外的任何字符
\	转义字符
[]	字符集，匹配所包含的任意一个字符脱字符 ^ 如果出现在首位则表示匹配不包含其中的任意字符	、
	预定义字符（可以写在[‘’‘’]里面）
\d	匹配一个数字
\w	单子字符，字母或者数字
\s	空白字符
	数量词：用在字符或者（'''''）后面
*	匹配前面的子表达式零次或多次，等价于 {0,}
+	匹配前面的子表达式一次或多次，等价于 {1,}
?	匹配前面的子表达式零次或一次，等价于 {0,1}
{m,n}	M 和 N 均为非负整数，其中 M <= N，表示前边的 RE 匹配 M ~ N 次
	边界匹配
^	1. （脱字符）匹配输入字符串的开始位置 2. 如果设置了 re.MULTILINE 标志，^ 也匹配换行符之后的位置
$	1. 匹配输入字符串的结束位置 2. 如果设置了 re.MULTILINE 标志，$ 也匹配换行符之前的位置
\A	匹配输入字符串的开始位置
\Z	匹配输入字符串的结束位置
\b	零宽断言，匹配一个单词边界，单词被定义为 Unidcode 的字母数字或下横线字符,举个例子：\bmiemei\b 会匹配字符串 "love meimei"、meimei." 或 "(meimei)"
\B	零宽断言，匹配非单词边界，其实就是与 \b 相反，举个例子子：py\B 会匹配字符串 "python"、"py3" 或 "py2"，但不会匹配 "py "、"py." 或 "py!"
	逻辑分组
|	A | B，表示匹配正则表达式 A 或者 B,会优先匹配左边
(''''')	表示一个分组，匹配圆括号中的正则表达式，或者指定一个子组的开始和结束位置 注：子组的内容可以在匹配之后被 \数字 再次引用

• 方法

各种方法代码如下：
compile编译,返回一个对象
match匹配开头 两个参数（“re”，“str”），符合，不符合返回none,用.group（）对象来返回匹配的字母
serach匹配第一个符合的组，在全文档查找，
group（）对象来查看返回结果
findall 匹配文档所有，返回一个列表,有分组的情况下只返回分组的结果
finditer返回对象，迭代出来，分组
split按正则分割，返回列表
sub 进行替换,subn返回替换结果以及替换次数
分组
贪婪和非贪婪
匹配中文字符"[\u4e00-\u9fa5]+"

'''
import re
# pattern = re.compile('\w\w\w')
# print(type(pattern))#
# re01 = re.match("\w","hello world")
# print(re01)#<_sre.SRE_Match object; span=(0, 1), match='h'>
# print(re01.group())#h
#match
# str= "hello world,aaa"
# pattern = re.compile("(\w+) (\w+)")
# result = pattern.match(str)
# print(result.group())
# print(result.group(0))#0为默认返回完成匹配
# print(result.group(2))#返回第二个分组

#search
str= "hello world111111aaa"
pattern = re.compile("\d{2}")
result = pattern.search(str)
print(result.group())
print(result.group(0))#0为默认返回完成匹配
# print(result.group(2))#返回第二个分组

#findall
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("\d{2}")
result = pattern.findall(str)
print(result)
#有分组的情况
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("([a-z])[a-z]([a-z])")
result = pattern.findall(str)
print(result)
#finditer
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("([a-z])[a-z]([a-z])")
result = pattern.finditer(str)
for i in result:
    print(i.group(2))#传入参数，返回匹配的分组

'''
split
'''
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("[a-w]+")
result = pattern.split(str)
print(result)
#sub
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("\d+")
result = pattern.sub("-",str)
print(result)
print(re.sub("\d","___",str))
#subn
str= "hello world1111114aaa123rrrr4tdsfgdfgdsg"
pattern = re.compile("\d+")
result = pattern.sub("-",str)
print(result)
print(re.subn("\d","___",str))

'''
分组
\2 \1分别表示第二组和第一组
'''
strs ="hello 123,world 321"
pattern = re.compile("(\w+) (\d+)" )
# for i in pattern.finditer(strs):
#     print(i.group(0))
#     print(i.group(1))
#     print(i.group(2))
print(pattern.sub(r"\2 \1",strs))
print(pattern.sub(r"\2 *****\1",strs))

'''
贪婪匹配：在匹配成功的条件下尽量多的匹配
非贪婪匹配
'''
str = "aaa
hello 
bbb
world
"
pattern = re.compile("
.*
")
result = pattern.findall(str)
print(result)
pattern = re.compile("
.*?
")
result = pattern.findall(str)
print(result)
'''
匹配中文字符
'''
str = "你好 hello 帅哥"
# pattern = re.compile("[\w]+")
pattern = re.compile("[\u4e00-\u9fa5]+")
result = pattern.findall(str)
print(result)