Python学习笔记#11 正则表达式

1.正则表达式
正则表达式( regex )是一些由字符和特殊符号组成的字符串,
能按照某种模式匹配一系列有相似特征的字符串


注意:
(1) \w 还可以匹配英文的下划线: _
例: as_1dvcww3 --> \w{7} 匹配结果: as_1dvc
(2) 匹配特殊字符，需要用 \ 来转义
例:hello.com --> \.com 匹配结果: .com
^https://hello.com --> ^\^https:\/\/ 匹配结果: ^https://
(3) 使用 [] 指定要匹配的集合
例: acftcb --> [abc]{2} 匹配结果: ac cb
(4) 使用 [^] 指定不要匹配的内容
例: babcdfabcrt --> [^abc]{2} 匹配结果: df rt

2.正则表达式的分组
重复一个字符串时
(1) 使用 () 进行分组，使用 (?P\w+)指定组名
从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推
例: (A)(B©) 分组情况: 1. (A) 2. (B©) 3. ©
例: 192.168.52.14 --> (\d{1,3}\.){3}\d{1,3} 匹配结果: 192.168.52.14
(2) 使用 \1、\2 反向引用
例: He loves her lover. He likes her liker. --> He (l..e)s her \1r. 匹配结果: He loves her lover. He likes her liker.
例: 通过组名引用 He loves her lover. He likes her liker. --> He (?P<name>l..e)s her \k<name>r. 匹配结果: He loves her lover. He likes her liker.

3.贪婪模式vs非贪婪模式
(1) 贪婪匹配
在整个表达式匹配成功的前提下，尽可能多的匹配
(2) 非贪婪匹配
在整个表达式匹配成功的前提下，尽可能少的匹配
默认情况下是贪婪模式

4.正则表达式进阶
(1) re模块

(2) compile(pattern, flags=0)
使用任何可选的标记来编译正则表达式的模式, 然后返回一个正则表达式对象

(3) match(pattern, string, flags=0)
尝试使用带有可选的标记的正则表达式的模式来匹配字符串.
如果匹配成功，就返回匹配对象；如果失败，则返回None.

(4) findall() 和 search()
findall (pattern, string [,flags]) : 查找字符串中所有(非重复)出现的正则表达式模式, 并返回一个匹配列表
PS: findall()函数，如果有分组，仅仅匹配分组里面的内容，然后返回这个组的列表
search (pattern, string, flags=0) : 使用可选标记搜索字符串中第一次出现的正则表达式模式.
如果匹配成功，就返回匹配对象；如果失败，则返回None.
PS: match vs search : match()函数只检测RE是不是在string的开始位置匹配，search()会扫描整个string查找匹配；
也就是说match()只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none。

(5) group() 与 groups()
group(num) : 返回整个匹配对象或编号为num的特定子组
groups() : 返回一个包含所有匹配子组的元组(若没有成功匹配，则返回一个空元组)

(6) split() 正则分割 与 sub() 正则替换
split (pattern, string, max=0) : 根据正则表达式的模式分割符, split函数将字符串分割为列表,
然后返回匹配成功的列表, 分割最多操作max次(默认分割所有匹配成功的位置)
sub (pattern, repl, string, max=0) : 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,
最多操作max次(默认替换所有)

5.正则匹配图片地址实战
百度图片:lol 的图片地址匹配

"""使用正则表达式找到图片的地址"""
    # 1.读取html
    with open('img.html', encoding='utf-8') as f:
        html = f.read()
        # print(html)
        # 2.准备正则
        p = re.compile(r'<img.+?src=\"(?P<src>.+?)\".+?>')
        # 用findall找到图片列表
        list_img = p.findall(html)
        print(len(list_img))
        for ls in list_img:
            print(ls.replace('&amp;', '&'))
        #TODO 使用urllib,requests将图片保存