另外正则表达式在文本处理中十分常用：
正则表达式用来表达文本类型的特征如，病毒、入侵等。正则表达式可以表达一组字符串，用于查找替换。正则表达式可以匹配字符串的全部或一部分。正则表达式是由字符和操作符构成的。
正则表达式的常用操作符
常规例子：
P(Y|YT|YTH|YTHO)?N "PN","PYN","PYTN","PYTHN","PYTHON" PYTHON+ "PYTHON","PYTHONN","PYTHONNN..." PY[TH]ON "PYTON","PYHON" PY[^TH]?ON "PYON","PYAON","PYXON" PY{:3}N "PN","PYN","PYYN","PYYYN" 经典例子： ^[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 #采用utf8编码约定中文字符取值范围 \d{3}-\d{8}|\d{4}-\d{7} 国内电话号码，010-68913536 11位啊 由字符串来构造正则表达式： 匹配IP地址的正则表达式，（IP地址分4段，每段是0-255） 精确的写法：0-99： [1-9]?\d
100-199：1\d{2}
200-249：2[0-4]\d
250-255：25[0-5]
ip地址：
(([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])
re库是Python的的标准库，主要用于字符串匹配。
调用方式：
import re
re库采用raw string类型，也就是原生字符串类型。
原生字符串类型是指：斜杠\ 不会转意。因为正则表达式中操作符有些是和斜杠一起构成的，使用原生字符串就可以防止转意了。
在字符串前加一个小写字母r就可以了。
如：
r"[1-9]?\d"
所以：
当正则表达式中包含转意符号时，使用原生字符串。
函数的具体说明：
re.search(pattern,string,flags=0)
作用：
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。
参数说明：
pattern：正则表达式的字符串或原生字符串string：需要和这个正则表达式匹配的字符串flags：正则表达式使用时的控制标记flags：正则表达式使用时的控制标记
re.I 忽略正则表示是的大小写，[a-z]可以匹配大写re.M 正则表达式中的^操作符能够将给定的字符串的每行当做匹配的开始re.S 正则表达式中的.点操作符能够匹配所有的字符，默认匹配除换行符外的所有字符例子：
>>> import re #导入re库 >>> match = re.search(r'[1-9]\d{5}','GHF345326 GHF525300') #匹配邮政编码，返回的是一个match对象 >>> if match: print(match.group(0)) 345326 re.match(pattern,string,flags=0) 作用：从一个字符串的开始位置起匹配正则表达式，返回match对象。
参数：
同search
例子：
>>> import re >>> match1 = re.match(r'[1-9]\d{5}','GHF535343') >>> if match1: print(match1.group(0)) #match()方法是从字符串的起始位置开始匹配，开始字符串不是，所有match对象为空。 >>> match1.group(0) #要对返回的match对象进行打印时，需要判断match对象是否为空，不为空才能调用group(0)方法。 Traceback (most recent call last): File "<pyshell#19>", line 1, in <module> match1.group(0) AttributeError: 'NoneType' object has no attribute 'group' >>> match2 = re.match(r'[1-9]\d{5}','525300 GHT') >>> if match2: match2.group(0) '525300' re.findall(pattern,string,flags=0) 作用：搜索字符串，以列表的形式返回所有能够匹配的子串。
参数同search
例子：
>>> import re >>> ls =re.findall(r'[1-9]\d{5}','234323gg GHT838476ff535243') >>> ls ['234323', '838476', '535243'] re.split(patttern,string,maxsplit=0,flags=0) 作用：将一个字符串按照正则表达式匹配的结果进行分割，返回列表类型。
pattren\string\flags和search、match、findall方法一样，
maxsplit：最大分割数，剩余部分作为最后一个元素输出
例子：
>>> import re >>> ls = re.split(r'[1-9]\d{5}','FG123456JJJ213456 234567SDF') >>> ls ['FG', 'JJJ', ' ', 'SDF'] #返回一个列表 >>> ls1 = re.split(r'[1-9]\d{5}','FJD324538HJH879045',maxsplit=1) #最大分割是1，所有只分割1个，剩下的原路返回 >>> ls1 ['FJD', 'HJH879045'] >>> re.finditer(pattern,string,flags=0) 作用：搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素都是match对象。
参数和search、match、findall方法一样
例子：
>>> import re >>> srting = 'ere123456kij234567pl345435' >>> ls = re.finditer(r'[1-9]\d{5}',srting) >>> type(ls) <class 'callable_iterator'> >>> for i in ls: if i : print(i.group(0)) 123456 234567 345435 re.sub(pattern,repl,string,count=0,flags=0) 作用：在一个字符串中替换所有匹配正则表达式的子串，返回被替换后的字符串。
参数pattern、string、flags和search、match、findall的参数一样。
repl：替换匹配字符串的字符串
count：匹配的最大替换次数
例子：
>>> import re >>> re.sub(r'[1-9]\d{5}','repl111','GHT212123GTY345673',count=2) 'GHTrepl111GTYrepl111' >>> re.sub(r'[1-9]\d{5}','+test+','GTH787878GHU898789') 'GTH+test+GHU+test+' >>> re.sub(r'[1-9]\d{5}','+test+','GTH787878GHU898789',count=1) 'GTH+test+GHU898789' >>>以上通过.调用的方法使用re的方法是函数式用法：一次性操作
正则表达式还有另外一种方法：
面向对象用法：编译后多次操作
>>> import re >>> pat = re.compile(r'[1-9]\d{5}') >>> rst = pat.search('GHT 525343') >>> rst <_sre.SRE_Match object; span=(4, 10), match='525343'> >>> if rst: print(rst.group(0)) 525343 先使用compile()编译成正则表达式，之后再调用search、match、findall、split、sub、finditer方法。没经过compile的字符串只是正则表达式的一种表现形式，经过compile后的才是正则表达式。
优点：一次编译可以多次使用该正则表达式进行匹配。
pat = compile(pattern,flags=0)
作用：
将一个正则表达式编译成一个正则表达式对象。
参数说明：
pattern：正则表达式字符串或原生字符串；
flags：正则表达式使用时的控制标记；
re的search()、match()、finditer()返回的是一个match对象，search、match只返回匹配到的第一个字符串，需要返回全部匹配的字符串使用finditer，for循环全部打印出来。
match对象是：一次匹配的结果，它包含了很多匹配的相关信息。
match对象的属性
.string 待匹配的的文本.re 匹配时使用的pattern对象（正则表达式）.pos 正则表达是搜索文本的开始位置.endpos 正则表达式搜索文本的结束位置 >>> import re >>> i = re.search(r'[1-9]\d{5}','GTR343435') >>> if i : print(i.group(0)) 343435 >>> i.string #待匹配的文本 'GTR343435' >>> i.re #正则表达式 re.compile('[1-9]\\d{5}') >>> i.pos #搜索文本的开始位置 0 >>> i.endpos #搜索文本的结束位置 9 match对象的方法 .group(0) 获得匹配后的字符串.start() 匹配字符串在原字符串的开始位置.end() 匹配字符串在原字符串的结束位置.span() 返回（.start(),.end()）元组结构 >>> i.start() #匹配字符串在原字符串的开始位置 3 >>> i.end() #匹配字符串在原字符串的结束位置 9 >>> i.span() #返回一个元组，包括匹配字符串在原字符串的开始位置和结束位置 (3, 9) >>> i.group(0) #返回匹配后的字符串 '343435're库默认采用贪婪匹配的方式，也就是返回匹配的最长项，如：
>>> import re >>> i = re.search(r'py.*n','pyanbncndnfngn') >>> if i: i.group(0) 'pyanbncndnfngn' #默认采用贪婪匹配，返回最长的 如何输出最小匹配呢？ 只要在*的后面增加一个?问号： >>> ii = re.match(r'py.*?n','pyanbncndnfngn') >>> if ii : ii.group(0) 'pyan' 最小匹配操作符：当有操作符可以匹配不同长度时，我们都可以在操作符后面增加一个问号?来获取最小匹配。
什么时候采用BeautifulSoup库？
什么时候采用re库？
什么样的网站适合定向爬虫实现爬取？数据写在html页面中，可以通过定位到元素，一般的静态页面，但那种有js生成的页面，源代码没有显示页面，不适合定向爬虫。
从众多的文本信息中提取我们需要的信息，使用正则表达式是最好的。
当不使用BeautifulSoup库进行信息提取，通过搜索的方式提取信息，使用re库是最合适的。
新知识点：
使用r.encoding = "utf-8" 比使用r.encoding = r.apparent_encoding节约时间字符串中引入双引号，需要在前面加反斜杠，r'\"view_price\"\:\"[\d\.]*\"'eval()函数能够将字符串最外层双引号或单引号去掉for 循环遍历range()是从0开始的，for i in plt:也可以的，但是下面也要再次遍历tlt、重复了。使用range(len(list)),获得列表的每个元素的序号，再通过下标可以得到列表元素了。continue语句只是结束本次循环，而不会终止循环的执行。break语句则是终止整个循环过程。 {}定义槽函数，{:4}第一个位置长度为4，中间8，最后是16。参考代码。字符串的.format()函数使用