Python初学者笔记（三）：用白话讲“正则表达式”入门（下篇），看不懂算我输！

本文链接：https://blog.csdn.net/qq_18495537/article/details/79025602

上篇主要是讲了re模块的四个功能，就是四种从“大串”字符中找“小串”字符的方法，找到后就可以使用了。接下来我们再看看如何学习正则表达式（Regular Expression），又称规则表达式。运用好这些规则，可以查找到任何我们想查找到的内容，比如文字，图片网址，邮件地址。

如果学过DOS系统，那里面会有一个概念，叫“通配符”，大概就是“？”代表一个字母，“*”星号代表多个字母，规则很简单。在Python中的这种规则相对复杂的多，因为Python的功能也比较多，要处理的问题也相对复杂。“正则”这个东西单个功能看起来都很容易懂，就是组合在一起就容易让人迷糊了。

学习编程也好，学习其它东西也好，大体只有三种方法：教程法、案例法、字典法。

教程法：就像我们上小学，上中学，上大学一样，按教材一步一步循序渐进。
案例法：就是解决一个具体的问题的案例，我们看别人的解题思路，再来解决我们的问题。
字典法：遇到不认识的字，上字典里去找，多用于前两种方法的补充。

下面，我们还是用我比较喜欢的案例法，现在我们有一个最简单的网页和网页源码，如下图：

网上讲解演示案例有两种方法，一种是用网页文档，一种是用自定义的文字串。

第一种：用文档网页演示的代码，例如：

import urllib.request
import re

link = urllib.request.urlopen("file:/C:/Users/JeffersLi/Desktop/try.html")
html_doc = link.read().decode('gb2312')
biaoti = re.findall("<title>(.+)</title>", html_doc)
for bt in biaoti:
    print(bt)
wangzhi = re.findall(r"(?<=href=\").+(?=\")", html_doc)
for wz in wangzhi:
    print(wz)

第二种：用自定义的文字串textdemo演示的代码，例如：

import re

textdemo = '''
<html>
  <head>
    <title>网页抓取教程</title>
  </head>
  <body>
    <h1>第一章</h1>
    <a href="http://blog.csdn.net/qq_18495537/article/details/79024519">正则表达式（上）</a>
    <p>正则表达式（中）</p>
    <p>正则表达式（下）</p>
  </body>
</html>
''' 
biaoti=re.findall("<title>(.+)</title>", textdemo)
for bt in biaoti:
    print(bt)
    
wangzhi = re.findall(r"(?<=href=\").+(?=\")", textdemo)
for wz in wangzhi:
    print(wz)

以上两种代码，都是为了方便教学使用，它们输出的的结果是一样的，都是：

网页抓取教程
http://blog.csdn.net/qq_18495537/article/details/79024519

两段程序中都是为了找大字符串里的“标题”和“网址”，关键代码用的就是“正则表达式”。

一、基本用法：

现在以第二段代码中的找到标题（biaoti）为例：

biaoti=re.findall("<title>(.+)</title>", textdemo)

这段话的意思，就是在textdemo这段话里，找到开头是"<title>"，结尾是“</title>”，中间是什么都行，因为“+”代表“找前一个字符1次或无限次”，"(.+)"两边的括号，表示我只要<title>和</title>中间的内容，如果不带（），就会返回：<title>网页抓取教程</title>

二、组合用法（也叫特殊构造）

下一句代码，找到网址（wangzhi）：

wangzhi = re.findall(r"(?<=href=\").+(?=\")", textdemo)

看起来比上一句复杂，其实也可以用上段内容的格式来完成，但这还是基本用法，如：

wangzhi = re.findall("href=\"(.+)\"", html_doc)

这样就不用讲了。但是有三个地方不一样，

1、使用了小写字母r，如果在PyCharm这个软件里写代码，可以看到有没有r，两个\的颜色不一样。这个是区分字符是不是“转意符”，接下来，我们再谈谈。

2、“转意符”，就是使后一个字符改为变原来的意思。比如英文缩写‘或者系统\，比如下边的两个案例。

错误例1：print('It's your name.')
错误例1返回：SyntaxError: invalid syntax

更正为：print('It\'s your name.')
更正则返回：It's your name.

备注：这个案例现在也可以写为双引号：print("It's your name.")

错误例2：open('c:\try.txt')
错误例2返回：Invalid argument: 'c:\try.txt'，即非法参数。
更正为：open('c:\\try.txt')
更正则返回：No such file or directory: 'c:\\try.txt'，即文件没找到。

3、第二种方法，使用了所谓的“特殊构造”方法，其实就是约定好的一组符号。就是这两：

(?<=)(?<=加你要找的字之前的那几个字)

(?=）(?=加你要找的字之后的那几个字）

比如：

import re

X = re.findall("(?<=张三).+(?=王二麻子)", "张三李四王二麻子")
print(X)

['李四']

以上的内容，如果能做一下实验，效果会更好。现在我们只是掌握了正则表达式的基本用法，如果想提高效率，精确匹配，还需要更详细的学习。最后，祝大家在编程学习的路上一帆风顺！