Python中re（正则）模块的使用

re 是 Python 标准库中的一个模块，用于支持正则表达式操作。通过 re 模块，可以使用各种正则表达式来搜索、匹配和操作字符串数据。

使用 re 模块可以帮助在处理字符串时进行高效的搜索和替换操作，特别适用于需要处理文本数据的情况。

# 导入模块
import re

一、方法

match 从开头匹配 返回match 或者None

r = re.match(r".\w{10}", "Hello_world hi world")
print(type(r), r,)
if r:
    print(r.group())

findmatch 从开始到位匹配 返回match 或者None

r = re.fullmatch(r"\da", "1a2b3c4d5e6f7g")
print(r)

search 匹配整个字符串 返回Match 或者None

# # search 匹配整个字符串 返回Match 或者None
r = re.search(r"\d", "1a2b3c4d5e6f7g")
print(r)

findall 找到所有 返回列表

r = re.findall(r"..", "he1\tll2o w5ol\nd")
print(type(r), r)

finditer 找到所有 返回迭代器 其中的每一个元素都是Match

# finditer 找到所有 返回迭代器 其中的每一个元素都是Match
r = re.finditer(r"\d\w", "1a2b3c4d5e6f7g")
print(r)
for e in r:
    print(e)

split 切割 返回列表

# # split 切割 返回列表
r = re.split(r"\d", "1a2b3c4d5e6f7g")
print(r)

sub 替换 返回字符串

# sub 替换 返回字符串
r = re.sub(r"\d", "+", "1a2b3c4d5e6f7g", 3)
print(r)

subn 替换 返回元组（新字符串， 替换个数）

# subn 替换 返回元组（新字符串， 替换个数）
r = re.subn(r"\d", "+", "1a2b3c4d5e6f7g")
print(r)

二、字符匹配

. 匹配任意字符

# . 匹配任意字符
r = re.findall(r"..", "he1\tll2o w5ol\nd")
print(type(r), r)

\d 匹配数字

# \d 匹配数字
r = re.findall(r"\d", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

\D 匹配非数字

# \D 匹配非数字
r = re.findall(r"\D", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

\w 字母数字下划线

# \w 字母数字下划线
r = re.findall(r"\w", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

\W 非字母数字下划线

# \W 非字母数字下划线
r = re.findall(r"\W", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

\s 空白字符 空格 制表符

# \s 空白字符 空格 制表符
r = re.findall(r"\s", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

\S非空白字符

# \S非空白字符
r = re.findall(r"\S", "he1\tll2o w5ol\nd+1234/*-+595")
print(type(r), r)

三、重复

* 出现0-n次

# *出现0 - n次
r = re.findall(r"\d*", "123456")
print(r)

+ 有1-n次

# + 有1 - n次
r = re.findall(r"\d+", "123456")
print(r)

？ 有0或1个

# ？ 有0或1个
r = re.findall(r"\d?", "123456")
print(r)

.*默认是贪婪模式（尽可能多匹配）

# .*默认是贪婪模式（尽可能多匹配）
r = re.findall(r".*", "123456")
print(r)

.*？是非贪婪模式（尽可能少匹配）

# .* ？是非贪婪模式（尽可能少匹配）
r = re.findall(r".*?", "123456")
print(r)

{n} 匹配n次

# {n}匹配n次
r = re.findall(r"\d{2}", "123456")
print(r)

{m，n} 匹配m-n次

# {m，n} 匹配m - n次
r = re.findall(r"\d{3,4}", "123456")
print(r)

四、边界

^ 以开头
$ 以结尾

r = re.findall(r"^a.*?d$", "abcd$dd1a2b3c4d5abcd\n123456d\n123456")
print(r)

\b 匹配单词边界
\B 匹配非单词边界

r = re.findall(r".*?\b", "hello world hi python 123456")
print(r)

五、标识符

re.I 忽略大小写
re.M 多行模式： 如果有换行符+

r = re.match(r".\w{10}", "Hello_world hi world", re.I)
print(type(r), r,)
if r:
    print(r.group())

六、特殊字符

[abcdefg] 只能取一个
[^abcdefg] 不在abcdefg中间
[a-zA-Z0-9_] 所有数字字母下划线 相当于\w

()分组
\n取前面的分组匹配的内容
（|）

小练习：爬取百度贴吧中部分内容

from urllib import request
import re

result_datas = []
res = request.urlopen("https://tieba.baidu.com/t/f/?class=college")
res = res.read().decode()
result = re.findall(r'<a class="each_topic_entrance_item" href="//tieba.baidu.com/t/f/(\d+)" data-fid="\1">(.*?)</a>',
                    res)
# print(result)
for school in result:
    # print(f"http://tieba.baidu.com/t/f/{school[0]}", school[1])
    res_school = request.urlopen(f"http://tieba.baidu.com/t/f/{school[0]}")
    res_school = res_school.read().decode()

    school_obj = {
        "name": school[1],
        "modules": []
    }

    modules = re.findall(r'<div class="module_item">(.*?)</ul></div>', res_school)
    # print(len(modules))
    for module in modules:
        module_name = re.findall(r'<p class="module_name">(.*?)</p>', module)[0]
        nums = re.findall(r'<div class="thread_item_left">(.*?)</div>', module)
        titles = re.findall(r'<a class="thread_title" href="//tieba.baidu.com/p/\d+">(.*?)</a>', module)
        contents = re.findall(r'<div class="thread_content thread_type_word.*?"><p>(.*?)</p><img src=.*?</div>', module)

        module_obj = {
            "name": module_name,
            "items": []
        }
        for i in range(len(nums)):
            module_obj["items"].append({
                "num": nums[i],
                "title": titles[i],
                "content": contents[i]
            })
        school_obj["modules"].append(module_obj)
    result_datas.append(school_obj)

with open("result.json", "w", encoding="utf8") as f:
    json.dump(result_datas, ensure_ascii=False, fp=f)