Python 爬虫库之三 正则表达式 (re)
正则表达式
-
一、元字符
-
\b是正则表达式规定的一个特殊代码（元字符），代表着单词的开头或结尾，也就是单词的分界处。如果要精确地查找
hi这个单词的话，我们应该使用\bhi\b。 -
这里，
.是另一个元字符，匹配除了换行符以外的任意字符。.*连在一起就意味着任意数量的不包含换行的字符。现在
\bhi\b.*\bLucy\b的意思就很明显了：先是一个单词hi, 然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词。 -
换行符就是
\n，ASCII编码为10(十六进制0x0A)的字符。 -
\d是个新的元字符，匹配一位数字，等价于(0~9)。-不是元字符，只匹配它本身。0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字。为了避免那么多烦人的重复，我们也可以这样写这个表达式：
0\d{2}-\d{8}。 这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)。 -
\s匹配任意的空白符，包括空格，制表符(Tab)，换行符，中文全角空格等。等价于（\t\n\r\f） -
\S匹配任意非空字符 -
\w匹配字母或数字或下划线或汉字等。 -
\W匹配不是字母、数字、及下划线的字符。 -
下面来看看更多的例子：
\ba\w*\b匹配以字母a开头的单词——先是某个单词开始处(\b)，然后是字母a,然后是任意数量的字母或数字(\w*)，最后是单词结束处(\b)。 -
\d+匹配 1 个或更多连续的数字。这里的+是和*类似的元字符，不同的是*匹配重复任意次(可能是0次)，而+则匹配重复1次或更多次。 -
\b\w{6}\b匹配刚好6个字符的单词。 -
{n}精确匹配 n 个前面的表达式。 -
{n,m}匹配 n 到 m 次由前面正则表达式定义的片段，贪婪方式。填写的QQ号必须为5位到12位数字时，可以使用：
^\d{5,12}$。 -
*匹配 0 个或多个表达式 -
+匹配 1 个或多个表达式 -
?匹配 0 个或 1 个前面的正则表达式定义的片段，非贪婪模式。 -
a｜b匹配 a 或 b 。
-
-
二、字符转义
查找元字符本身，比如你查找
.，或者*，你应该使用\.和\*。当然，要查找\本身，你也得用\\。 -
三、重复
你已经看过了前面的
*，+，{2}，{5,12}这几个匹配重复的方式了。下面是正则表达式中所有的限定符(指定数量的代码，例如*，{5,12}等)：
下面是一些使用重复的例子：
Windows\d+匹配Windows后面跟1个或更多数字^\w+匹配一行的第一个单词(或整个字符串的第一个单词，具体匹配哪个意思得看选项设置) -
四、字符类
-
如果你想匹配没有预定义元字符的字符集合(比如元音字母
a，e，i，o，u)，应该怎么办？很简单，你只需要在方括号里列出它们就行了，像
[aeiou]就匹配任何一个英文元音字母，[.?!]匹配标点符号(.或?或!)。 -
我们也可以轻松地指定一个字符范围，像
[0-9]代表的含意与\d就是完全一致的：一位数字；同理[a-z0-9A-Z_]也完全等同于\w（如果只考虑英文的话）。 -
下面是一个更复杂的表达式：
\(?0\d{2}[) -]?\d{8}。这个表达式可以匹配几种格式的电话号码，像(010)88886666，或022-22334455，或02912345678等。我们对它进行一些分析吧：首先是一个转义字符(,它能出现0次或1次
(?),然后是一个0，后面跟着2个数字(\d{2})，然后是)或-或空格中的一个，它出现1次或不出现(?)，最后是8个数字(\d{8})。
-
-
五、分枝条件
-
六、分组
-
七、反义
-
八、后向引用
-
九、零宽断言
re 模块:
-
match()函数：match()函数会尝试从字符串的开始位置尝试匹配正则表达式，也就是说只有在0位置匹配成功的话才有返回。如果不是开始位置匹配成功的话，match()就返回none。re.match(pattern, string, flags)- 第一个参数：传入正则表达式；
- 第二个参数：传入要匹配的字符串；
flags是可选参数，跟compile用法相似 ；- 匹配成功
re.match方法返回一个匹配的对象，否则返回None。
-
search()函数： -
findall()函数： -
sub()函数： -
compile()函数：
可参考此文 Python 正则表达式
欢迎关注我的公众号：「韧桂」
韧桂 2018-08-03