python正則表示式介紹：

佇列 介紹

在爬蟲的程式中用到了廣度優先順序演算法，該演算法用到了資料結構，當然你用list也可以實現佇列，但是效率不高。現在在此處介紹下：
在容器中有佇列：collection.deque

#佇列簡單測試：
from collections import deque
queue=deque(["peace","rong","sisi"])
queue.append("nick")
queue.append("pishi")
print(queue.popleft())
print(queue.popleft())
print(queue)

集合介紹：

在爬蟲程式中, 為了不重複爬那些已經爬過的網站, 我們需要把爬過的頁面的url放進集合中, 在每一次要爬某一個url之前, 先看看集合裡面是否已經存在. 如果已經存在, 我們就跳過這個url; 如果不存在, 我們先把url放入集合中, 然後再去爬這個頁面.
Python 還 包 含 了 一 個 數 據 類 型—— set ( 集 合 ) 。 集 合 是 一 個 無 序 不 重 復 元素 的 集 。 基 本 功 能 包 括 關 系 測 試 和 消 除 重 復 元 素 。 集 合 對 象 還 支 持 union( 聯
合),intersection(交),difference(差)和 sysmmetric difference(對稱差集)等數學運算。
大括號或 set() 函式可以用來建立集合。 注意:想要建立空集合,你必須使用set() 而不是 {} 。{}用於建立空字典；

集合的建立演示如下：

 a={"peace","peace","rong","rong","nick"}
   print(a)
   "peace" in  a
   b=set(["peace","peace","rong","rong"])
   print(b)
   #演示聯合
   print(a|b)
   #演示交
   print(a&b)
   #演示差
   print(a-b)
  #對稱差集
  print(a^b)
#輸出：    
{'peace', 'rong', 'nick'}
{'peace', 'rong'}
{'peace', 'rong'
 
, 'nick'}
{'peace', 'rong'}
{'nick'}
{'nick'}

正則表示式

在爬蟲時收集回來的一般是字元流，我們要從中挑選出url就要求有簡單的字串處理能力，而用正則表示式可以輕鬆的完成這一任務；
正則表示式的步驟：1，正則表示式的編譯 2，正則表示式匹配字串 3，結果的處理
下圖列出了正則表示式的語法：

在pytho中使用正則表示式，需要引入re模組；下面介紹下該模組中的一些方法；

1.compile和match

re模組中compile用於生成pattern的物件，再通過呼叫pattern例項的match方法處理文字最終獲得match例項；通過使用match獲得資訊；

import re

# 將正則表示式編譯成Pattern物件
pattern = re.compile(r'rlovep')
# 使用Pattern匹配文字，獲得匹配結果，無法匹配時將返回None
m = pattern.match('blog.wpeace.cn')
if m:
# 使用Match獲得分組資訊
    print(m.group())
### 輸出 ###
# rlovep

re.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法，用於將字串形式的正則表示式編譯為Pattern物件。 第二個引數flag是匹配模式，取值可以使用按位或運算子’|’表示同時生效，比如re.I | re.M。另外，你也可以在regex字串中指定模式，比如re.compile(‘pattern’, re.I | re.M)與re.compile(‘(?im)pattern’)是等價的。
可選值有：

re.I(re.IGNORECASE): 忽略大小寫（括號內是完整寫法，下同）

M(MULTILINE): 多行模式，改變’^’和’$’的行為（參見上圖）
S(DOTALL): 點任意匹配模式，改變’.’的行為
L(LOCALE): 使預定字元類 \w \W \b \B \s \S 取決於當前區域設定
U(UNICODE): 使預定字元類 \w \W \b \B \s \S \d \D 取決於unicode定義的字元屬性
X(VERBOSE): 詳細模式。這個模式下正則表示式可以是多行，忽略空白字元，並可以加入註釋。

Match:
Match物件是一次匹配的結果，包含了很多關於此次匹配的資訊，可以使用Match提供的可讀屬性或方法來獲取這些資訊。

屬性：

string: 匹配時使用的文字。
re: 匹配時使用的Pattern物件。
pos: 文字中正則表示式開始搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
endpos: 文字中正則表示式結束搜尋的索引。值與Pattern.match()和Pattern.seach()方法的同名引數相同。
lastindex: 最後一個被捕獲的分組在文字中的索引。如果沒有被捕獲的分組，將為None。
lastgroup: 最後一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：

group([group1, …]): 
獲得一個或多個分組截獲的字串；指定多個引數時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫引數時，返回group(0)；沒有截獲字串的組返回None；截獲了多次的組返回最後一次截獲的子串。
groups([default]): 
以元組形式返回全部分組截獲的字串。相當於呼叫group(1,2,…last)。default表示沒有截獲字串的組以這個值替代，預設為None。
groupdict([default]): 
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內。default含義同上。
start([group]): 
返回指定的組截獲的子串在string中的起始索引（子串第一個字元的索引）。group預設值為0。
end([group]): 
返回指定的組截獲的子串在string中的結束索引（子串最後一個字元的索引+1）。group預設值為0。
span([group]): 
返回(start(group), end(group))。
expand(template): 
將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、 \g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認為是第10個分組，如果你想表達 \1之後是字元'0'，只能使用\g<1>0。

pattern:
Pattern物件是一個編譯好的正則表示式，通過Pattern提供的一系列方法可以對文字進行匹配查詢。

Pattern不能直接例項化，必須使用re.compile()進行構造。

Pattern提供了幾個可讀屬性用於獲取表示式的相關資訊：

pattern: 編譯時用的表示式字串。
flags: 編譯時用的匹配模式。數字形式。
groups: 表示式中分組的數量。
groupindex: 以表示式中有別名的組的別名為鍵、以該組對應的編號為值的字典，沒有別名的組不包含在內。
例項方法[ | re模組方法]：

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 
這個方法將從string的pos下標處起嘗試匹配pattern；如果pattern結束時仍可匹配，則返回一個Match物件；如果匹配過程中pattern無法匹配，或者匹配未結束就已到達endpos，則返回None。 
pos和endpos的預設值分別為0和len(string)；re.match()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。 
注意：這個方法並不是完全匹配。當pattern結束時若string還有剩餘字元，仍然視為成功。想要完全匹配，可以在表示式末尾加上邊界匹配符'$'。 
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
這個方法用於查詢字串中可以匹配成功的子串。從string的pos下標處起嘗試匹配pattern，如果pattern結束時仍可匹配，則返回一個Match物件；若無法匹配，則將pos加1重新嘗試匹配；直到pos=endpos時仍無法匹配則返回None。 pos和endpos的預設值分別為0和len(string))；re.search()無法指定這兩個引數，引數flags用於編譯pattern時指定匹配模式。
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 
按照能夠匹配的子串將string分割後返回列表。maxsplit用於指定最大分割次數，不指定將全部分割。
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 
搜尋string，以列表形式返回全部能匹配的子串。
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 
搜尋string，返回一個順序訪問每一個匹配結果（Match物件）的迭代器。
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]): 
使用repl替換string中每一個匹配的子串後返回替換後的字串。 當repl是一個字串時，可以使用\id或\g<id>、\g<name>引用分組，但不能使用編號0。 當repl是一個方法時，這個方法應當只接受一個引數（Match物件），並返回一個字串用於替換（返回的字串中不能再引用分組）。 count用於指定最多替換次數，不指定時全部替換。
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 
返回 (sub(repl, string[, count]), 替換次數)。

2.re.match(pattern, string, flags=0)

函式引數說明：

匹配成功re.match方法返回一個匹配的物件，否則返回None。

我們可以使用group(num) 或 groups() 匹配物件函式來獲取匹配表示式。

#re.match.
import re
print(re.match("rlovep","blog.wpeace.cn"))##匹配rlovep
print(re.match("rlovep","blog.wpeace.cn").span())##從開頭匹配rlovep
print(re.match("com","http://blog.wpeace.cn"))##不再起始位置不能匹配成功
##輸出：
<_sre.SRE_Match object; span=(0, 6), match='rlovep'>
(0, 6)
None

例項二：使用group

import re

line = "This is my blog"
#匹配含有is的字串
matchObj = re.match( r'(.*) is (.*?) .*', line, re.M|re.I)
#使用了組輸出：當group不帶引數是將整個匹配成功的輸出
#當帶引數為1時匹配的是最外層左邊包括的第一個括號，一次類推；
if matchObj:
    print ("matchObj.group() : ", matchObj.group())#匹配整個
    print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號
    print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號
else:
    print ("No match!!")

#輸出：

matchObj.group() :  This is my blog
matchObj.group(1) :  This
matchObj.group(2) :  my

3re.search方法

re.search 掃描整個字串並返回第一個成功的匹配。

函式語法：

  

re.search(pattern, string, flags=0)  

函式引數說明：

匹配成功re.search方法返回一個匹配的物件，否則返回None。

我們可以使用group(num) 或 groups() 匹配物件函式來獲取匹配表示式。

例項一：

import re
print(re.search("rlovep","blog.wpeace.cn").span())
print(re.search("com","http://blog.wpeace.cn").span())

例項二：

import re

line = "This is my blog"
#匹配含有is的字串
matchObj = re.search( r'(.*) is (.*?) .*', line, re.M|re.I)
#使用了組輸出：當group不帶引數是將整個匹配成功的輸出
#當帶引數為1時匹配的是最外層左邊包括的第一個括號，一次類推；
if matchObj:
    print ("matchObj.group() : ", matchObj.group())#匹配整個
    print ("matchObj.group(1) : ", matchObj.group(1))#匹配的第一個括號
    print ("matchObj.group(2) : ", matchObj.group(2))#匹配的第二個括號
else:
    print ("No match!!")
#輸出：
matchObj.group() :  This is my blog
matchObj.group(1) :  This
matchObj.group(2) :  my

search和match區別：
re.match只匹配字串的開始，如果字串開始不符合正則表示式，則匹配失敗，函式返回None；而re.search匹配整個字串，直到找到一個匹配。