什么是正则表达式？
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。
正则表达式不是Python独有的，目前主流的开发语言都支持正则表达式，在Python中是使用re模块来实现正则表达式。
正则表达式常用符号
| 符号 | 含义 |
|---|---|
* |
匹配0个或多个表达式 |
+ |
匹配1个或多个表达式 |
^ |
匹配字符串的开头 |
$ |
匹配字符串的结尾 |
. |
匹配任意单个字符，换行符除外 |
\ |
转义字符，把有特殊含义的字符转换为字面形式 |
? |
匹配0或多个表达式，非贪婪模式 |
a|b |
匹配a或b |
() |
匹配括号内的表达式， 也表示一个组 |
[] |
匹配其中的任意一个字符 |
[^] |
匹配任意一个不在中括号里的字符 |
\n |
匹配换行符 |
\t |
匹配制表符 |
\w |
匹配任意字母数字及下划线 |
\s |
匹配任意空白字符 |
\d |
匹配任意数字 |
match函数
re.match会尝试从字符串的起始位置匹配一个字符串表达式，如果匹配成功就返回匹配结果，如果匹配失败就返回None.
比如这里有一个字符串：
content = 'open the command palette 123456 Hello world!'
我想要匹配出其中的数字，可以这样写：
import re
content = 'open the command palette 123456 Hello world!'
# 在match方法中，第一个参数为正则表达式，第二个参数为待匹配的字符串
result = re.match('^open.*?(\d+).*?world!$', content)
print(result)
print(result.group(1))
<_sre.SRE_Match object; span=(0, 44), match='open the command palette 123456 Hello world!'>
123456
这里^open指定了字符串的开头，.*?表示以非贪婪模式匹配0或多个字符，(\d+)表示我们想要提取的是1到多个数字，需要提取的内容一定要放在小括号里，后面接着.*?表示以非贪婪模式匹配0或多个字符，最后的world!$指定了字符串的结尾。
这里group(1)表示提取第一个小括号里的内容，如果有多个小括号，可分别使用group(2),group(3)来提取。
贪婪匹配与非贪婪匹配的区别
在上面的例子中，我们使用了.*?表示以非贪婪模式匹配0或多个字符，这里如果将?去掉，就变成了贪婪模式，它们之间的具体区别是什么呢？看下面这个例子：
import re
content = 'open the command palette 123456 Hello world!'
# 这里将(\d+)前面的？去掉，其他不变。
result = re.match('^open.*(\d+).*?world!$', content)
print(result)
print(result.group(1))
<_sre.SRE_Match object; span=(0, 44), match='open the command palette 123456 Hello world!'>
6
如上，匹配结果变成了一个6,而前面的12345不见了，这是因为.*是以贪婪模式匹配，它会匹配尽可能多的字符，紧接着的\d+也就只匹配到了一个数字6
关于包含换行符的匹配
在实际的正则匹配过程中，我们需要匹配的字符串常是很多行，这其中就必定包含了换行符，这个时候就要使用修饰符re.S来匹配包含了换行符的字符串。如下例：
import re
# 有换行的字符串要用三引号''''''引起来
content = '''open the command palette
123456 Hello world!'''
# 这里加入修饰符re.S
result = re.match('^open.*?(\d+).*?world!$', content, re.S)
print(result)
print(result.group(1))
<_sre.SRE_Match object; span=(0, 57), match='open the command palette \n 123456 Hel>
123456
在网页匹配中，常用的修饰符有两种：
- re.S ：匹配包含换行符在内的所有字符
- re.I ：使匹配对大小写不敏感
关于转义字符的匹配
上面我们罗列的一堆正则表达式的常用字符，这些字符可以称为特殊字符，如果待匹配的字符串中本身就包含了这些特殊字符，如果不加处理，就会对我们的正则匹配造成干扰，这个时候就需要用反斜杠\来进行转义：
import re
content = 'price is $10.00'
result = re.match('^price.*?\$10\.00$', content)
print(result)
<_sre.SRE_Match object; span=(0, 15), match='price is $10.00'>
这里使用\$和\.对字符$和.分别进行转义
search函数
上面讲到的match函数是从字符串的开头进行逐个匹配，如果开头不匹配，则匹配失败，它的执行效率有点类似与单链表的查询操作，得从头开始挨着一个一个找，而search函数是首先是扫描整个字符串，然后返回第一个成功匹配的结果。
在很大一堆的字符串中，如果我们只需要其中的一小段字符串，就可以使用search函数进行匹配：
import re
content = 'open the command palette 123456 Hello world!'
result = re.search('command.*?(\d+).*?world!', content)
print(result)
print(result.group(1))
<_sre.SRE_Match object; span=(9, 44), match='command palette 123456 Hello world!'>
123456
下面来看个例子，这是我在豆瓣读书的网页上复制的一段HTML代码：
HTML = """<div class="pl2">
<a href="https://book.douban.com/subject/1770782/" onclick=""moreurl(this,{i:'0'})"" title="追风筝的人">
追风筝的人
</a>
<img src="https://img3.doubanio.com/pics/read.gif" alt="可试读" title="可试读">
<br>
<span style="font-size:12px;">The Kite Runner</span>
</div>
<p class="pl">[美] 卡勒德·胡赛尼 / 李继宏 / 上海人民出版社 / 2006-5 / 29.00元</p>
<div class="star clearfix">
<span class="allstar45"></span>
<span class="rating_nums">8.9</span>
<span class="pl">(
315272人评价
)</span>
</div>"""
这里我想用正则表达式匹配这本《追风筝的人》图书的书名，作者，评分和评价人数，我们可以这样匹配：
import re
result = re.search('<a.*?>(.*?)</a>.*?<p.*?>(.*?)</p>.*?rating_nums.*?>(.*?)</span>.*?>\((.*?)\)</span>', HTML, re.S)
print(result)
print(result.group(1))
print(result.group(2))
print(result.group(3))
print(result.group(4))
<_sre.SRE_Match object; span=(34, 703), match='<a href="https://book.douban.com/subject/1770782/>
追风筝的人
[美] 卡勒德·胡赛尼 / 李继宏 / 上海人民出版社 / 2006-5 / 29.00元
8.9
315272人评价
我解释一下上面这句正则表达式，<a.*?>(.*?)</a>用来匹配书名，<p.*?>(.*?)</p>用来匹配作者信息， rating_nums.*?>(.*?)</span>用来匹配评分，>\((.*?)\)</span>用来匹配评分人数，这里要将每一个需要提取的信息放在小括号里，以待下一步的输出，然后不同有用信息的正则表达式之间用.*?来连接，最后指定修饰符re.S进行换行匹配
然后调用result.group(1)来输出第一个小括号里的内容，调用result.group(2)来输出第二个小括号里的内容，以此类推，但是从输出结果我们可以看到有多余的空白行和我不想要的信息，比如出版社和图书价格，这里将输出稍微整理一下：
import re
result = re.search('<a.*?>(.*?)</a>.*?<p.*?>(.*?)</p>.*?rating_nums.*?>(.*?)</span>.*?>\((.*?)\)</span>', HTML, re.S)
print(result)
print(result.group(1).strip())
print(result.group(2).strip()[:12])
print(result.group(3).strip())
print(result.group(4).strip())
<_sre.SRE_Match object; span=(34, 703), match='<a href="https://book.douban.com/subject/1770782/>
追风筝的人
[美] 卡勒德·胡赛尼
8.9
315272人评价
如上，得到了我想要的信息。
希望这个示例对你有所启发。
findall()函数
在整个网页的正则匹配中，我们想要的信息往往处在一组同名的标签下类似的位置，只是属性值有所不同，想要提取这样的信息，就要使用findall()函数，该方法会搜索整个字符串，然后返回匹配正则表达式的所有内容。相当于search()函数的拓展。
具体示例省略
compile()函数
这个方法可以将正则字符串编译成正则表达式对象，以便在后面的匹配中方便调用。例如：
import re
pattern = re.compile('<a.*?>(.*?)</a>.*?<p.*?>(.*?)</p>.*?rating_nums.*?>(.*?)</span>.*?>\((.*?)\)</span>', re.S)
result = re.search(pattern, HTML)
print(result)
print(result.group(1).strip())
print(result.group(2).strip()[:12])
print(result.group(3).strip())
print(result.group(4).strip())
<_sre.SRE_Match object; span=(34, 703), match='<a href="https://book.douban.com/subject/1770782/>
追风筝的人
[美] 卡勒德·胡赛尼
8.9
315272人评价
正则表达式的基本用法大致就是这些，下节我们尝试用正则表达式写一个小爬虫。
每天学习一点点，每天进步一点点。
网友评论