python爬虫笔记（8）正则表达式和re库

format中文对齐问题

昨天那个爬虫的中文没有对齐，改了下面这个函数就会对其了。

def printUnivList(ulist, num):
    #输出模板变量
    tplt = "{0:10}\t{1:{3}^10}\t{2:^10}"
    #输出
    print(tplt.format("排名", "学校名称", "总分", chr(12288)))
    #循环
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))
    print("Suc" + str(num))

编译：将符合正则表达式语法的字符串转换成正则表达式特征。

正则表达式
表达式文本类型的特征
同时查找或替换一组字符串
只是一个字符串，并不是真正意义上的表达式。

是由字符和操作符构成的。
正则表达式常用的操作符
.表示任何单个字符
[]字符集，对单个字符给出取值范围。
例：[abc]表示a、b、c,[a-z]单个字符。
[^]非字符集，对单个字符给出排除范围
例：[^abc]表示非a或b或c的单个字符。
*，前一个字符0次或无限次扩展.
abc*表示ab、abc、abccc等
+前一个字符1次或无限次扩展
abc+表示abc、abcc、abccc等
?前一个字符0次或1次扩展
abc?表示ab、abc
|左右表达式任意一个
abc|def表示abc、def

正则表达式的常用操作符
{m}扩展前一个字符m次：ab{2}c表示abbc
{m,n}扩展前的一个字符m至n次（含n）：ab{1,2}c表示abc、abbc
^匹配字符串开头，^abc表示abc且在一个字符串的开头。
$匹配字符串结尾，abc$表示abc且在一个字符串的结尾。
()分组标记，内部只能使用|操作符，(abc)表示abc,(abc|def)表示abc、def
\d数字，等价于[0-9]
\w,单词字符，等价于[A-Za-z0-9_|

^[A-Za-z]+$ 由26个字母组成的字符串
^[A-Za-Z0-9]+$ 由26个字母和数字组成的字符串
^-?\d+$整数形式的字符串
^[0-9]*[1-9][0-9]*$正整数形式的字符串
[1-9]\d{5}中国境内邮政编码 ，6位
[\u4e00-\u9fa5]匹配中文字符
\d{3}-\d{8}|\d{4}-\d{7}国内电话号码，010-68913536

匹配IP地址的正则表达式
IP地址字符串形式的正则表达式（IP地址分4段，每段0-255）
\d+.\d+.\d+\d+
\d{1,3}.{1,3}.\d{1,3}.{1,3}
精确写法：
0-99：[1-9]?\d
100-199:1\d{2}
200-249:2[0-4]\d
250-255:25[0-5]

(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])

PY{：3}N:将{}前的字符扩展0~3次。
raw string类型（原生字符串类型）
re库采用raw string类型表示正则表达式，表示为：r’text’
例如：
r’[1-9]\d{5}’
r’\d{3}-\d{8}|\d{4}-\s{7}’

raw string是不包含转义符的字符串
string类型，更繁琐。

re.search()在一个字符中搜索匹配正则表达式的第一个位置，返回match对象。
re.match()从一个字符串的开始位置起匹配正则表达式，返回match对象。
re.findall()搜索字符串，以列表类型返回全部能匹配的子串
re.split()将一个字符串按照正则表达式匹配结果。
re.finditer()搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。
re.sub（）在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。

re.search(pattern, setting,flags=0)
在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。
pattern:正则表达式的字符串或原生字符串表示。
string：待匹配的字符串
flags：正则表达式使用时的控制标记
常用标记：
re.I ,re.IGNORECASE忽略正则表达式 的大小写，[A-Z]能够 匹配小写字符。
re.M re.MULTLINE正则表达式中的^操作符能够给定字符串的每行当做匹配开始。
re.S re.DOTALL 正则表达式中的.操作符能够匹配所有字符，默认匹配除换行外的所有字符。

re.search

re.match(pattern, string, flags=0)
从一个字符串的开始位置起匹配正则表达式，返回match对象。
pattern:正则表达式的字符串或 原生字符串表示。
string：待匹配字符串。
flags:正则表达式使用时的控制标记

re.findall(pattern, string, flags=0)
搜索字符串，以列表类型返回全部能匹配的子串。
pattern：正则表达式的字符串或原生字符串
string:待匹配字符串
flags:正则表达式使用时的控制标记

re.split(pattern, string, maxaplit=0, flags=0)
将一个字符串按照正则表达式匹配结果进行分割，返回列表类型。
pattern:正则表达式的字符串或原生字符串表示。
string：待匹配字符串
maxsplit:最大分割数，剩余部分作为最后一个元素输出。
flags：正则表达式使用时的控制标记。

re.finditer(pattern, string, flags=0)
搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。
pattern：正则表达式的字符串或原生字符串表示
string：待匹配字符串
flags：正则表达式使用时的控制标记

re.sub(pattern, repl, string, count=0, flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。
pattern：正则表达式的字符串或原生字符串表示
reql:替换匹配字符串的字符串
string：待匹配字符串
count：匹配的最大替换次数
flags：正则表达式使用时的控制标记

Re库主要功能函数
re.search()在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。