Python爬虫实战基础篇（1）正则表达式

在学习Python来做一个爬虫时，是一定要知道正则表达式的，今天我就把学到的关于正则表达式的知识分享给大家，希望可以对你们有所帮助

字符

一般字符    匹配自身
.           匹配任意除换行符以外的字符
           转义字符，使后一个字符改变原来的意思
[]          字符集，对应的位置可以是字符集中任意字符 ^表示取反，意思是除过这些字符之外的其他字符

预定义字符集（可以写在字符集[…]中）

d          匹配数字0-9
D          匹配非数字
s          空白字符 [<空格>	
fv]
S          非空白字符[^s]
w          单词字符[a-z A-Z 0-9]
W          非单词字符[^w]

数量词（用在字符或(…)之后）

*           匹配前一个字符0或无限次
+           匹配前一个字符1次或无限次
?           匹配前一个字符0次或一次
{m}         匹配前一个字符m次
{m,n}       匹配前一个字符m-n次 ，若省略m，则匹配0-n次，若省略n，匹配m到无限次
*?+???{m,n}?  使*+?{m,n}变成非贪婪模式

边界匹配

^       匹配字符串开头，在多行模式匹配每一行的开头
$       匹配字符串末尾，在多行模式匹配每一行的末尾
A      仅匹配字符串开头
      仅匹配字符串末尾
/b      匹配w和W之间
/B      [^/b]

逻辑分组

|   代码左右表达式任意匹配一个，总是先尝试左边的表达式，一旦匹配成功则跳过匹配右边的表达式，如果|没有被包括在()中，范围就是整个正则表达式
(...) 被括起来的表达式将作为分组，从表达式左边开始每遇到一个分组的左括号(，编号加1，另外，分组表达式作为一个整体，可以后接数量词，表达式中的|仅在改组有效)

(?P<name>...)   分组，除了原来的编号外再指定一个额外的别名
<number>   引用编号为<number>的分组匹配到的字符串
(?P = name)    引用别名<name>的分组匹配到的字符串

特殊构造（不作为分组）

(?:...)   (...)的不分组版本，用于使用|或后接数量词
(?iLmsux)  iLmsux的每个字符代表一个匹配模式，只能用在正则表达式的开头，可选多个
(?#...)     #后的内容将作为注释被忽略
(?!...)     之后的表达式内容需要不匹配表达式才能成功匹配
(?<=...)    之前的字符串需要匹配表达式才能成功匹配
(?<!...)    之前的字符串内容需要不匹配表达式才能成功匹配
(?(id/name)yes-pattern|no-pattern) 如果编号为id/别名为name的组匹配到字符，则需要匹配yes-pattern，否则需要匹配no-pattern |no-pattern 可以省略

1.2数量词的贪婪模式和非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串，Python里数量词默认是贪婪的，总是长沙市匹配尽可能多的字符，非贪婪刚好相反，总是尝试匹配尽可能少的字符

关于反斜杠

在Python中，也是使用作为转义字符，这个时候如果你要去匹配文本中的字符，那么使用编程语言表示的正则表达式则需要4个，这样是不太麻烦了？那么使用Python里面的原生字符串可以解决掉这个问题。可以使用r表示，同样匹配一个数字也可以这样 rd，这样写出来的表达式更加直观而且会减少出错几率