re模块
Python中通过re模块使用正则表达式,该模块提供的几个常用方法:
2.检索与替换
3.编译成Pattern对象
对于会多次用到的正则表达式,我们可以调用re的compile()方法编译成
Pattern对象,调用的时候直接Pattern对象.xxx即可,从而提高运行效率。
附:flags(可选标志位)表
python有趣吗?好玩吗?想学吗?这里小编创建了一个python学
习资料,欢迎想学习的小伙伴的加入,python有你更精彩!!嘿嘿!
多个标志可通过按位OR(|)进行连接,比如:re.I|re.M
2.正则规则详解
1.加在正则字符串前的'r'
为了告诉编译器这个string是个raw string(原字符串),不要转义反斜杠!
比如在raw string里\n是两个字符,''和'n',不是换行!
2.字符
3.数量
4.边界
5.分组
用()表示的就是要提取的分组,一般用于提取子串,
比如:^(\d)-(\d)$:从匹配的字符串中提取出区号和本地号码
附:group()方法与其他方法详解
不引入括号,增个表达式作为一个组,是group(0)
不引入()的话,代表整个表达式作为一个组,group = group(0)
如果引入()的话,会把表达式分为多个分组,比如下面的例子:
输出结果:
贪婪与非贪婪
正则匹配默认是贪婪匹配,也就是匹配尽可能多的字符。
比如:ret = re.match(r'^(\d+)(0*)$','12345000').groups()ß
我们的原意是想得到('12345','000')这样的结果,但是输出
ret我们看到的却是:
,由于贪婪,直接把后面的
0全给匹配了,结果0只能匹配空字符串了,如果想尽可能少的
匹配,可以在\d+后加上一个?问号采用非贪婪匹配,改成:
r'^(\d+?)(0)$',输出结果就变成了:
3.正则练习
例子1:简单验证手机号码格式
流程分析:
1.开头可能是带0(长途),86(天朝国际区号),17951(国际电话)中的一个或者一个也没有:
2.接着1xx,有13x,14x,15x,17x,18x,然后这个x也是取值范围也是不一样的:
14x:579
17x:01678
然后修改下正则表达式,可以随便输个字符串验证下:
3.最后就是剩下部分的8个数字了,很简单:[0-9] 加上:
^(0|86|17951)?(13[0-9]|14[579]|15[0-35-9]|17[01678]|18[0-9])[0-9]$
例子2:验证身份证
流程分析:
身份证号码分为一代和二代,一代由15位号码组成,而二代则是由18个号码组成:
十五位:xxxxxx yy mm dd pp s
十八位:xxxxxx yyyy mm dd ppp s
为了方便了解,把这两种情况分开,先是十八位的:
^[1-9]\d(18|19|20)\d(0[1-9]|10|11|12)([012][1-9]|10|20|30|31)\d[0-9Xx]|[1-9]\d\d(0[1-9]|10|11|12)([012][1-9]|10|20|30|31)\d[0-9Xx]$
另外,这里的正则匹配出的身份证不一定是合法的,判断身份是否
合法还需要通过程序进行校验,校验最后的校验码是否正确。
扩展阅读:身份证的最后一位是怎么算出来的?
更多可见:第二代身份证号码编排规则
首先有个加权因子的表:(没弄懂怎么算出来的..)
[7, 9, 10, 5, 8, 4, 2, 1, 6, 3, 7, 9, 10, 5, 8, 4, 2]
然后位和值想乘,结果相加,最后除11求余,比如我随便网上找的
sum = 47 + 19 + 110 + 35 +88 + 1 4 ... + 6 * 2 = 282
sum % 11 = 7,所以这个是一个合法的身份证号。
例子3:验证ip是否正确
流程分析:
所以我们把第一段和后面三段分开,然后分析下ip的结构,可能是这几种情况:
一位数:[1-9]
两位数:[1-9][0-9]
三位数(100-199):1[0-9][0-9]
三位数(200-249):2[0-4][0-9]
三位数(250-255): 25[0-5]
理清了第一段的正则怎么写就一清二楚了:
^([1-9]|[1-9][0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5])(\.([1-9]|[1-9][0-9]|1[0-9][0-9]|2[0-4][0-9]|25[0-5]))$
4.正则实战
实战:抓一波城市编码列表
本来想着就抓抓中国气象局的天气就好了,然后呢,比如深圳天气的网页是:
然后这个101280601是城市编码,然后网上搜了下城市编码列表,发现要么
很多是错的,要么就缺失很多,或者链接失效,想想自己想办法写一个采集
的,先搞一份城市编码的列表,不过我去哪里找数据来源呢?中国气象局
肯定是会有的,只是应该不会直接全部暴露出来,想想能不能通过一些间接
操作来实现。对着中国气象局的网站瞎点,结果不负有心人,我在这里:
发现了这个:
然后,我觉得这可能是入手点:
这里有个超链接,难不成是北京所有的地区的列表,点击下进去看看:
卧槽,果然是北京所有的地区,然后每个地区的名字貌似都有一个超链接
F12看下指向哪里?
到这里就豁(huo)然开朗了,我们来捋一捋实现的流程:
1.先拿到第一层的城市列表链接用列表存起来
2.接着遍历列表去访问不同的城市列表链接,截取不同城市的城市名,城市编码存起来
流程看上去很简单,接着来实操一波。
先是拿城市列表url
接着随便点开一个,比如beijing.shtml,页面结构是这样的:
想要的内容是这里的超链接:
F12看下页面结构,层次有点多,不过没关系,这样更能够锻炼我们
入手点一般都是离我们想要数据最近地方下手,我看上了:conMidtab3
全局搜了一下,也就八个:
第一个直接就可以排除了:
是我们想要的内容,接着里面的tr是我们需要内容,找一波:
输出下:
重复出现了一堆详情,很明显是我们不想要的,我们可以在循环的时候
执行一波判断,重复的不加入到列表中:
城市的话还好,直接调用tag对象的string直接就能拿到,
而城市编码的话,按照以前的套路,我们需要先['href']拿到
再做字符串裁剪,挺繁琐的,既然本节学习了正则,为何不用
正则来一步到位,不难写出这样的正则:
卧槽,就是我们想要的结果,美滋滋,接着把之前拿到所有
的城市列表都跑一波,存字典里返回,最后赛到一个大字典
里,然后写入到文件中,完成。
========= BUG的分割线 =========
最后把数据打印出来发现只有428条数据,后面才发现conMidtab3那里处理有些
问题,漏掉了一些,限于篇幅,就不重新解释了,直接贴上修正完后的代码把...
import urllib.request
from urllib import error
from bs4 import BeautifulSoup
import os.path
import re
import operator
# 通过中国气象局抓取到所有的城市编码
# 中国气象网基地址
# 华北天气预报url
weather_hb_url = "http://www.weather.com.cn/textFC/hb.shtml#"
# 获得城市列表链接
def get_city_list_url():
city_list_url = []
weather_hb_html = weather_hb_resp.read().decode('utf-8')
weather_hb_soup = BeautifulSoup(weather_hb_html, 'html.parser')
weather_box = weather_hb_soup.find(attrs={'class': 'lqcontentBoxheader'})
weather_a_list = weather_box.findAll('a')
for i in weather_a_list:
city_list_url.append(weather_base_url + i['href'])
return city_list_url
# 根据传入的城市列表url获取对应城市编码
def get_city_code(city_list_url):
city_code_dict = {} # 创建一个空字典
city_pattern = re.compile(r'^$') # 获取城市编码的正则
weather_hb_html = weather_hb_resp.read().decode('utf-8')
weather_hb_soup = BeautifulSoup(weather_hb_html, 'html.parser')
# 需要过滤一波无效的
div_conMidtab = weather_hb_soup.find_all(attrs={'class': 'conMidtab', 'style': ''})
for mid in div_conMidtab:
tab3 = mid.find_all(attrs={'class': 'conMidtab3'})
for tab in tab3:
trs = tab.findAll('tr')
for tr in trs:
a_list = tr.findAll('a')
for a in a_list:
if a.get_text() != "详情":
# 正则拿到城市编码
city_code = city_pattern.match(str(a)).group(1)
city_name = a.string
city_code_dict[city_code] = city_name
return city_code_dict
# 写入文件中
def write_to_file(city_code_list):
try:
with open('city_code.txt', "w+") as f:
for city in city_code_list:
f.write(city[0] + ":" + city[1] + "\n")
except OSError as reason:
print(str(reason))
else:
print("文件写入完毕!")
if __name__ == '__main__':
city_result = {} # 创建一个空字典,用来存所有的字典
city_list = get_city_list_url()
# get_city_code("http://www.weather.com.cn/textFC/guangdong.shtml")
for i in city_list:
print("开始查询:" + i)
city_result.update(get_city_code(i))
# 根据编码从升序排列一波
sort_list = sorted(city_result.items(), key=operator.itemgetter(0))
# 保存到文件中
write_to_file(sort_list)
领取专属 10元无门槛券
私享最新 技术干货