正则表达式：

什么是正则表达式：

正则表达式就是数据筛选的表达式；

原子：

原子是正则表达式中最基本的组成单位，每个正则表达式中至少包含一个原子。常见的原子类型有：
a,普通字符作为原子
b,非打印字符作为原子(\t,\n)
c,通用字符作为原子
d,原子表
\w:匹配字母，数字，下划线；
\d:匹配任意的十进制数；
\s:匹配空白的字符；
\W:匹配\w相反的对象，即除了字母，数字下划线之外的任意的字符；
\D:除了十进制外的任意的字符；
\S:除了空白字符以外的任意字符。

原子表

import re
pat=pyth[jsz]n
string="dsjfkljajpythsnssdd"
rst=re.search(pat,string)
print(rst)
输出： pythsn
------------------------------------------------------
import re
pat=pyth[jsz]n
string="dsjfkljajpythsznssdd"
rst=re.search(pat,string)
print(rst)
输出： none

元字符：

.:匹配任何字符(除了换行符以外)；
^:匹配开始的位置
$:匹配字符串中结束的位置
*（星号） :匹配重复多次，一次，零次。
？匹配重复零次或者一次；
+：匹配重复一次或者多次；
{n}：前面的原子重复了n次；{n,}前面的原子至少出现的n次；{n,m}出现的此数在n,m之间

模式修正符：

可以在不改变正则表达式的情况下，通过模式修正符改变正则表达式的含义，从而实现一些匹配结果的调整功能。

import re
part1="python"
part2="python"
string="jdkatuajvklajfsefPythondjkldsv"
rst=re.search(part1,string)
此刻匹配不出来  [^j]:非j，其他都行
rst=re.search(part2,string,re.I)   # I不区分大小写。

贪婪模式和懒惰模式：

贪婪模式：尽可能多的去匹配；
懒惰模式：尽可能少的去匹配；更精准的定位

import re 
pat1="p.*y"			#.匹配任意字符；*匹配多次，一次，零次。贪婪模式
pat2="p.*?y"			#懒惰模式
string="abcddjpythonvdghpy"
rst=re.search(pat1,string)
print(rst)
>><re.Match object; span=(6, 18), match='pythonvdghpy'>
rst=re.search(pat12,string)
>><re.Match object; span=(6, 8), match='py'>

正则表达式函数：

正则表达式函数有re.match()函数从头开始搜索,，头不匹配，立马结束；re.search()函数，字符串可以出现在任何位置，但是最终只能给出一个结果；全局匹配函数re.compile(pat).findall(string)可以输出所有的满足条件的结果用的最多；re.sub(）函数。

import re
pat="python"
string="aaffdjfpythonievk"
rst=re.match(pat,string)
print(rst)
>>None

简单的爬虫：

常见正则实例：如何匹配.com或.cn网址，以及如何匹配电话号码

import re
pat="[a-zA-Z]+://[^\s]*[.com|.cn]"
string='<a href="http://www.baidu.com>hasghj</a>'
rst2=re.compile(pat).findall(string)
print(rst2)
>>['http://www.baidu.com']

从网页中提取出qq群：

import urllib.request
import re
pat="<em>QQ:(.^?)</em>"
data=urllib.request.urlopen("http://edu.csdn.net/huiyiCouse/detail/215").read()
rst=re.compile(pat).findall(str(data))
print(rst)
>>['62546562']

如何爬取豆瓣网提取出版社信息并写入文件：

import urllib.request
import re
url = "https://read.douban.com/provider/all"  # 确定要爬取的入口链接 
# 模拟成浏览器并爬取对应的网页 谷歌浏览器
headers = {'User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'}
opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read().decode('utf8')
# data=urllib.request.urlopen("https://read.douban.com/provider/all").read().decode("utf-8")
print(len(data))
pat='<div class="name">(.*?)</div>'	  #（.*?）懒惰模式 
rst=re.compile(pat).findall(data)
print(rst)
fh=open("F:/text.txt","w")
for i in range(0,len(rst)):
    fh.write(rst[i]+"\n")
fh.close()