六. 正则表达式

1. 正则表达式常用符号

1）一般字符

字符	含义	举例	匹配结果
.	匹配任何单个字符（不包括换行符\n）	a.b	匹配"abc,a&c"等，但不包括换行符。
\	转义字符（将特殊含义的字符转成原来的意思）	.	匹配为“.”。
[...]	字符集，相当于在中括号中任选一个	a[bcd]	匹配为“ab”,“ac”,“ad”。

2 ) 预定义字符集

字符	含义	等价结果
\d	匹配一个数字字符	[0-9]
\D	匹配一个非数字字符	[^0-9]
\s	匹配任何空白字符，包括空格、制表符、换页符等	[\f\n\r\t\v]
\S	匹配任何非空白字符	[^\f\n\r\t\v]
\w	匹配包括下划线的任何单词字符	[A-Za-z0-9_]
\W	匹配任何非单词字符	[^A-Za-z0-9_]

实战中常用‘\d+’来匹配一个字符1或无限次，例如可以匹配“字数 345”中的“345”。

常见空白字符	含义	ASCII码值
\f	换页(FF)，将当前位置移到下页开头	012
\n	换行(LF) ，将当前位置移到下一行开头	010
\r	回车(CR) ，将当前位置移到本行开头	013
\t	水平制表(HT) （跳到下一个TAB位置）	009
\v	垂直制表(VT)	011

3 ) 数量词

数量词	含义	举例	匹配结果
*	匹配前一个字符0或无限次	ab*c	匹配ac,abc,abbc,abbbc等
+	匹配前一个字符1或无限次	ab+c	匹配abc,abbc,abbbc等
?	匹配前一个字符0或1次	ab?c	匹配ac,abc
{m}	匹配前一个字符m次	ab{3}c	匹配abbbc
{m,n}	匹配前一个字符m至n次	ab{1,3}c	匹配abc,abbc,abbbc

4 ) 边界匹配

边界匹配符	含义	举例	匹配结果
^	匹配字符串开头	^abc	匹配以abc开头的字符串
$	匹配字符串结尾	abc$	匹配以abc结尾的字符串
\A	匹配字符串开头	\Aabc	匹配以abc开头的字符串
\Z	匹配字符串结尾	abc\Z	匹配以abc结尾的字符串

边界匹配符在爬虫实战中较少使用。

最后介绍爬虫实战中常用的(.?)，"()"表示返回结果,".?"为非贪婪算法，匹配任意字符。

符号	含义	举例	匹配结果
(.*?)	匹配任意字符	xx(.*?)xx	匹配"xxIxxjshdxxlovexxsffaxxpythonxx"中的"I","love","Python"。

举例：

import re
a = 'xxIxxjshdxxlovexxsffaxxpythonxx'
infos = re.findall('xx(.*?)xx',a)
print(infos)

结果：
['I', 'love', 'python']

2. re模块函数及标志修饰符

1） re模块函数

函数名	语法	含义
search()	re.search(pattern,string,flags=0)	匹配并提取第一个符合规律的内容，返回一个正则表达式对象。
sub()	re.sub(pattern,repl,string,count=0,flags=0)	用于替换字符串中的匹配项。repl：替换后的字符串。string：替换前的字符串。
findall()	re.findall(pattern,string,flags=0)	匹配并提取所有符合规律的内容，以列表形式返回结果。

pattern:匹配的正则表达式。
string：匹配的字符串。
flags：标志位，对应标志修饰符。
repl：替换后的字符串。
count：匹配后替换的最大次数，默认0表示替换所有的匹配。

sub()类似于字符串的replace()函数，但sub()函数更加灵活，可以使用正则表达式进行匹配，但replace()做不到。fjndall()在爬虫实战中使用得最多。

2） re标志修饰符

标志修饰符	含义	说明
re.I	对大小写不敏感	例如a可以匹配a或A。
re.L	做本地化识别（Local-aware）的匹配	无
re.M	多行匹配，影响^ 和 $	无
re.S	可匹配包括换行符在内的所有字符，实现跨行匹配	最常用
re.U	根据unicode字符集解析字符，此标志影响\w \W \b \B。	无
re.X	该标志给予更灵活的格式，以便将正则表达式写得更容易理解。	无