python关于re库的整理
1，爬取解析一个简单的网页数据都有什么步骤呢？
1.1，首先应该用requests构建一个请求，将请求成功返回的数据，传递给一个response对象，我们这里先假设这个response对象名字为 r 吧；
1.2，然后嘛调用BeautifulSoup库，比如BeautifulSoup(r.text,'html.parser')使用html解析器把html页面的源代码解析成易于理解标签形式；
1.3，正则表达式可以快速分析大量文本找到特定的字符串模式，然后进行提取编辑替换等操作；所以接下来就是对正则表达式的学习了；
2，正则表达式 regular expression；属于python标准库；
2.0，正则表达式定义：正则表达式对应具有特定性质的一组字符串；
正则表达式形式由普通字符和操作符组成，便于理解就称为正则表达式；经过编译后机器才会认可正则表达式代表一组字符串；
2.1，正则表达式的常用操作符：
2.1.1， . 表示除换行符外的任意单个字符；
2.1.2， [ ] 表示单字符范围； eg:[abc]表示a或b或c；[a-z]表示a到z中的某一个字符；
2.1.3， [^ ] 表示单字符排除范围； eg：[^abc]表示abc之外的任意字符；
在[ ]里，一些特殊字符[ ]里开头会有特殊意义，还有转义字符会有特殊意义；剩下的特殊字符只是匹配范围；（不确定，我这么理解）
2.1.4，* 前一个字符任意次扩展，相当于{0，}； eg：abc*表示ab,abc,abcc等；
2.1.5，+ 前一个字符至少一次扩展，相当于{1，}； eg: abc+表示abc,abcc,abccc等；
2.1.6，？前一个字符扩展0次或1次，相当于{0,1}； eg: abc?表示ab或abc；
2.1.7，{m} 前一个字符的m次扩展； eg：abc{2}表示abcc；
2.1.8，{m,n}前一个字符的[m,n]次扩展； eg：ab[1,2]c 表示abc和abbc；
2.1.9，| 表示左右表达式中的任意一个，用在()内，相当于或； eg: (abc | abd) 表示abc或abd；
2.1.10，^ 字符串开头匹配； eg: ^a匹配abc中的a，不匹配abc中的b和c；^b不匹配abc中的b；
2.1.11，$字符串结尾匹配； eg: c$ 匹配abc中的c，b$不匹配abc中的b；
2.1.12，（）分组标记，内部只能使用|操作符； eg:(abc|abd)表示abc或abd；
2.1.13，\d 表示数字0到9中的一个，相当于[0-9]；
2.1.14，\w 表示单字符a-z，A-Z,0-9;相当于[a-zA-Z0-9]；
2.1.15，\D表示数字0到9之外的单字符，相当于[^0-9]; (这里的运算符是[^ ]作为整体)
2.1.16，\w表示除了a-z和A-Z和0-9之外的字符，相当于[^a-zA-Z0-9]；
2.1.17,尚待自行积累；还有好多的；:)
2.2，正则表达式的经典实例；
2.2.1， ^[a-zA-Z0-9]+$ : 表示仅由英文字符和数字组成的字符串； [1-9]?\d : 表示0-99；
2.2.2， [1-9]\d{5} : 表示我国境内的6位邮政编码；
2.2.3， ^-?\d+$ : 表示整数形式的字符串；-?这里代表的是负号是否需要；
2.2.4，[\u4e00-\u9fa5] ：表示使用utf-8编码来匹配中文字符；
2.3，正则表达式的表示类型；
2.3.1，raw string类型（原生字符串类型）；
类型格式： r ' 普通字符加操作符 ' ； eg: r' [1-9]\d{5} ' ;
类型备注：raw string类型中转义字符就是转义字符本身的语法和意义;
2.3.2，string类型；
类型格式：' 此处正则表达式若是有转义字符，反斜杠重复一遍' ；eg: ' [1-9]\\d{5}' ;
类型备注：建议使用raw string；
3，正则表达式库的部分函数方法；
3.0，正则表达式的操作参数；
3.0.1，pattern：正则表达式表示的字符串或原生字符串；简单理解为正则表达式；
3.0.2，string：等着被匹配出有效信息的字符串，简称带匹配字符串；
3.0.3，maxsplit : 待匹配字符串最大分割次数；
3.0.4，repl : 替换匹配字符串的字符串；
3.0.5，count：替换匹配字符串的最大替换次数；
3.0.6，flags：正则表达式使用时的控制标记；
（1）re.I ：匹配时忽略英文字符大小写的控制标记；全称re.INGORECASE;
（2）re.M :将^操作符的开头匹配改为对字符串的每行开头匹配的控制标记；全称re.MULTILINE;
（3）re.S :点操作符默认不匹配换行符，设置点操作符也可以匹配换行符的控制标记；全称re.DOTALL；
3.1，re.search(pattern,string,flags=0)
函数功能：在字符串中找到匹配正则表达式的字符串，返回match对象；
函数例子：re.search( r'[1-9]\d{10}' , '胡犀牛13019841984' )
例子意义：表示将待匹配字符串中的电话号码提取出来；（然后放到哪里呢？？）
3.2，re.match(pattern,string,flags=0)
函数功能：从字符串开头进行re匹配，要是开头不匹配re，则返回的match对象就是为空；
函数例子：re.match( r'[1-9]\d{10}' , '胡犀牛13019841984')
例子意义：待匹配字符串的开头不是电话号码，所以不匹配，返回match对象为空，如果调用当前这个空的match对象的方法就会报错；因为空对象不存在属性，也就不存在方法；
3.3，re.findall(pattern,string,flags=0)
函数功能：将待匹配字符串中所有能匹配的子串以列表形式返回；
函数例子：re.findall( r'\d{11}' , '胡犀牛13019841984 钟神医 13018741874')
例子意义：string中的两个电话号码都可以匹配，放入返回的列表类型中；
3.4，re.split((pattern,string,maxsplit=0,flags=0)
函数功能：将正则表达式作为分割点，按分割次数将字符串分割，其中可以匹配的子字符串每次分割的时候排除掉；返回列表类型；
函数例子：re.split( r' \d{11}' , '胡犀牛13019841984 钟神医 13018741874',maxsplit=1)
例子意义：分割后返回的列表类型为 [ '胡犀牛','薛神医13018741874']；分割一次，所以排除了一个电话号码，排除点作为分割点；
3.5，re.finditer(pattern,string,flags=0)
函数功能：将string中所有匹配子字符串作为一个迭代类型返回，其中每个迭代元素都是match对象，具有match对象的属性；
函数例子：for num in re.finditer( r'\d{11}','胡犀牛13019841984 薛神医13018741874'):
例子意义：匹配后的两个号码作为迭代类型，供num对象循坏调用；
3.6，re.sub((pattern,repl, string,count=0,flags=0)
函数功能：将匹配的子字符串替换掉，替换次数不超过count次，返回替换后的字符串；
函数例子：re.sub(r'\d{11}','phone_num','胡犀牛13019841984 薛神医13018741874')
例子意义：替换后的字符串为 '胡犀牛phone_num 薛神医phone_num' ；sub全称substitute;
4，Re库的调用形式；
4.1，库函数调用：输入各种参数后，对库函数进行调用，将结果返回存入一个对象中；这种函数调用每次都要重新编译正则表达式，多了就慢了；
eg: rst=re.search(r'\d{11}','胡犀牛13019841984 薛神医1318741874')
4.2，将正则表达式通过编译函数后的结果存入对象中，这时这个对象等价于一组特定的字符串；然后去调用正则表达式的函数；减少编译次数和部分参数的传递，加快程序运行速度；
eg: regex=re.compile( r'普通字符和操作符')
#编译后的对象是re库的对象，re库的对象可以直接调用re库对象的方法；
#方法是一种类型的函数，专门供对象调用；函数就是我们平时说的可以实现某种功能的代码块；（我也不太理解其分类原理，先这么理解）；
regex.search( '待匹配的字符串' ) 返回match对象；
regex.match('待匹配的字符串') 返回match对象；
regex.findall('待匹配字符串') 返回列表类型；
regex.split('待匹配字符串') 返回列表类型；
regex.finditer('待匹配字符串') 返回迭代类型，迭代元素为match对象；
regex.sub('待匹配字符串') 返回字符串；
5，Re库的match对象；
意义：match对象是search方法，match方法和finditer方法的返回值（就是匹配的信息集合）；
(1)如果是search方法，可能string中会有多个子字符串匹配pattern正则表达式形式，但是返回的match对象中只保存第一次匹配的子字符串；
(2)如果是match方法，match对象要么为空不存在，要么只保存第一个匹配的子字符串；
(3)如果是finditer方法，match对象里面包含所有匹配的子字符串；要注意迭代；
5.1，match对象的属性；
5.1.1, .re ：返回对象的正则表达式；返回值中有re.complie()函数，因为python开发环境认为正则表达式不算正则表达式，要经过编译之后才算；
5.1.2, .string :返回对象的待匹配字符串；
5.1.3, .pos :返回匹配过程从文本中搜索的开始位置；（我返回的两次都是0）
5.1.4, .endpos :返回匹配过程在搜索文本中的结束位置；(我返回的两次都是string的长度)
5.2, match对象的方法；
5.2.1, .group(n) :返回被匹配的第n个子字符串；（n从0开始计数）
5.2.2, .start() :返回子字符串在string中的开始位置；
5.2.3, .end() :返回子字符串在string中的结束位置；
5.2.4, .span() :返回子字符串在string中的开始位置和结束位置；
5.3,5.2和4.2的方法有什么区别呢？
4.2的方法是re库对象的方法，调用了之后可能会返回match对象；而5.2的方法是match对象的方法；
5.4，Re库的贪婪匹配和最小匹配；
5.4.1，贪婪匹配：正则表达式的开头匹配后，中间和结尾同时有多种子字符串匹配的方式时，默认选择最长的子字符串匹配；
匹配例子：r=re.search(r'py*','pypyy') 匹配出来的结果是py，r=re.search(r'py*','pyy')有py和pyy两种方式匹配，匹配出来的结果是两种里面字符串最长的那种pyy;
5.4.2，最小匹配：正则表达式的开头匹配后，中间和结尾同时有多种方式匹配时，选择最短的字符串匹配；
最小匹配操作符：(1) *？ ：表示前一个字符任意次扩展的最小匹配；
eg:re.search(r'py*?','pyy')表示y字符任意次扩展的最小匹配；那就0次扩展只剩p了；
(2) +? :表示前一个字符至少一次匹配的最小匹配，那就匹配一次；
(3) ?? :表示前一个字符0次或1次扩展的最小匹配，那就匹配0次；
(4) {m,n}? :表示前一个字符m到n次扩展的最小匹配，那就配合字符串判断匹配几次，选个最短的；
