python正则表达式

正则表达式 代表的匹配字符
[0-9] 0123456789任意之一
[a-z] 小写字母任意之一
[A-Z] 大写字母任意之一
\d 等同于[0-9]
\D 等同于[^0-9]匹配非数字
\w 等同于[a-z0-9A-Z_]匹配大小写字母、数字和下划线

\W 等同于[^a-z0-9A-Z_]等同于上一条取非

. 代表任意字符
| 逻辑或操作符
[ ] 匹配内部的任一字符或子表达式
[^] 对字符集和取非
- 定义一个区间
\ 对下一字符取非（通常是普通变特殊，特殊变普通）
* 匹配前面的字符或者子表达式0次或多次
*? 惰性匹配上一个
+ 匹配前一个字符或子表达式一次或多次
+? 惰性匹配上一个
? 匹配前一个字符或子表达式0次或1次重复
{n} 匹配前一个字符或子表达式
{m,n} 匹配前一个字符或子表达式至少m次至多n次
{n,} 匹配前一个字符或者子表达式至少n次
{n,}? 前一个的惰性匹配
^ 匹配字符串的开头
\A 匹配字符串开头
$ 匹配字符串结束
[\b] 退格字符
\c 匹配一个控制字符
\t 匹配制表符

例：re.match()函数

# -*- coding:UTF-8 -*-
import re

pattern = re.compile(r'hello')    #re.compile(strPattern[,flage])是Pattern的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象
match= pattern.match('hello world!')  #match对象是一次匹配的结果

if match:
    print match.group()

#等同于：
print re.match(r'hello','hello world').group()  #使用该语句缺点是不可复用Pattern对象
输出：hello

match函数详解

属性：
string: 匹配时使用的文本。
re: 匹配时使用的Pattern对象。
pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
方法：
group([group1, …]): 
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
groups([default]): 
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
groupdict([default]): 
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
start([group]): 
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
end([group]): 
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
span([group]): 
返回(start(group), end(group))。
expand(template): 
将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

例：re.search()函数

#re.search 扫描整个字符串并返回第一个匹配成功的位置
print re.search(r'suf','fjkhskf456sufgwh215').span()

输出结果：(10, 13)

两函数的区别：

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；

而re.search匹配整个字符串，直到找到一个匹配。

替换：re.sub('正则表达式'，'替换的字符串','被替换的字符串')

print re.sub(r'abc','','woprjabcwuryweorabc')    #将'woprjabcwuryweorabc'字符串中的‘abc’替换为空

输出：woprjwuryweor

---------------------------------------------利用正则爬取网页上的图片---------------------------------------------------

#coding=utf-8


import urllib          #urllib模块提供了读取Web页面数据的接口
import re              #re模块主要包含了正则表达式

#定义一个getHtml()函数
def getHtml(url):
    page = urllib.urlopen(url)                                       #urllib.urlopen()方法用于打开一个URL地址
    html = page.read()                                                  #read()方法用于读取URL上的数据
    return html


def getImg(html):
    reg = r'src="(.+?\.jpg)" alt='                                     #正则表达式，得到图片地址
    imgre = re.compile(reg)                                         #re.compile() 可以把正则表达式编译成一个正则表达式对象.
    imglist = re.findall(imgre,html)                              #re.findall() 方法读取html 中包含 imgre（正则表达式）的    数据
                                                                                       
                                                                                         
    x = 0

    for imgurl in imglist:                                                       #把筛选的图片地址通过for循环遍历并保存到本地
         urllib.urlretrieve(imgurl,'F:\图片\%s.jpg' % x)       # 核心是urllib.urlretrieve()方法,直接将远程数据下载到本地，图片通过x依次递增命名‘’F:\图片‘保存图片的文件夹
         x+=1
        
   
html = getHtml("http://pic.yxdown.com/list/0_0_1.html")
print getImg(html)