正则表达式学习笔记（1）（字符匹配）

目录

简介

常用字符及其说明

常用字符匹配

空白元字符

重复匹配

基础进阶

---

---

简介

 正则表达式（regular expression，简称regex）是一些用来匹配和处理文本的字符串。正则表达式语言并不是一种完备的语言，他是内置于其他语或软件产品里的“迷你”语言。正则表达式的使用无非两种情况：一种是查找特定的信息（搜索），另一种是查找并编辑特定的信息（替换）。学习正则表达式对我们理解爬虫很有帮助。本文是学习美国知名技术作家Ben Forta编写的《Sam Teach Yourself Regular Expression in 10 Minutes》的中文翻译版《正则表达式必知必会》的学习笔记。书中提供的正则表达式测试工具的链接如下：http://www.forta.com/books/0672325667/.

---

常用字符及其说明

字符	说明	用法举例
.	可以匹配任何单个的字符（除了换行符）
[]	用来定义字符集合，字符集合中可以使用连字符-来简化字符区间的定义， 连字符按照ASCII码顺序来计算区间	[Aa]表示匹配文本中的A或a一次 [0123456789abcd]可简化为[0-9a-d]
^	取非字符 它作用于给定的字符集合里所有字符，而不是紧跟其后的一个字符	[^0-9a-z]表示不匹配数字字符和小写字母字符
\	转义字符,任何一个元字符都可以通过在其前加一个\将其转义，配对的元字符不用做元字符时必须转义如[]，有时候喜欢把转义字符加上字符集合 [\n]增加代码的可读性	\.表示.本身 \\  表示\本身

用法示例：

匹配文本	正则表达式	匹配结果	说明
cat cap Cam Cat	ca.	cat cap Cam Cat	匹配ca连接任意一个字符的字符串
cat cap Cam Cat	[Cc]a.	cat cap Cam Cat	匹配时c不分大小写，即在匹配时选取C和c中的一个
a b c 1 2 3 4 5	[^1-4]	a b c 1 2 3 4 5	匹配时不匹配1-4这几个数字
cat[]125	\[\]	cat[]125	将[ 和]转义，否则不能够匹配到

---

常用字符匹配

正则表达式	匹配对象	等价表达式
\d	数字	[0-9]
\D	非数字	[^0-9]
\w	字母和数字或下划线	[a-zA-Z0-9_]
\W	非字母和数字或下划线	[^a-zA-Z0-9_]
\s	空白字符	[\f\n\r\t\v]  ([\b] 除外)
\S	非空白字符	[^\f\n\r\t\v]

用法示例：

匹配文本	正则表达式	匹配结果	说明
abc123def	\d\d\d	abc123def	匹配三个连续的数字字符
abc123def	\D\D\D	abc123def	匹配三个连续的不是数字的字符
abc-+defg	\w\w\w	abc_+defg	匹配四个连续的字母、数字或下划线
abc_+defg	\W	abc_+defg	匹配一个非字母和数字或下划线
abc def gh	\s	abc def gh	匹配到空格字符（这里没法显示）
abc def gh	\S\S\S	abc def gh	匹配三个连续的非空白字符

---

空白元字符

正则表达式	匹配对象
\n	换行符
\r	回车符
\t	制表符(Tab)
\v	垂直制表符
\f	换页符
[\b]	回退键 Backspace
\r\n	匹配一个 回车+换行  组合 （windows系统下）

---

重复匹配

元字符	说明	用法举例及说明
+	匹配至少一个或者多个字符，给字符或者字符集合加上+的后缀（放在字符集合的后面），表示匹配同一个字符的多次重复	\w+     表示多次（至少一次）匹配字母和数字或下划线 [01]+  表示多次匹配（至少一次）0或1
*	匹配一个字符连续出现零次或多次的情况	用法同+，但不同的是匹配的字符可有可无，可以理解为在*前面的字符是可选的
？	匹配一个字符的零次或者一次出现	https?   表示s可以出现0或1次，它的匹配对象是https或http

 

匹配文本	正则表达式	匹配结果	说明
abc+123@345	\d+	abc+123@345	匹配多个（至少一个）连续的数字字符
	*		用法同+，不同的就是匹配的字符可以不出现
https://www.bilibili.com http://www.bilibili.com	https?	https://www.bilibili.com http://www.bilibili.com	s后加？表示s可以出现0或1次

注：[0-9+]表示数字0-9和+的构成的字符集合（类似的还有.）。即在字符集合中，+表示加号本身，而不是重复匹配的元字符。

匹配重复次数
如果想给匹配的重复次数设定一个精确值，在{}加上确定的数字   

匹配文本	正则表达式	等价表达式	匹配结果	说明
abc+123@345	\d{3}	\d\d\d	abc+123@345	表示模式里前一个字符或字符集合（这里是数字）必须出现3次才算是一个匹配

设定区间

匹配文本	举例	匹配结果	说明
abc+12@3345-245	\d{2,4}	abc+12@3345-245	表示数字字符至少重复两次，最多重复四次才算是一个匹配
abc+12@3345-245	\d{3,}	abc+12@3345-245	表示数字字符至少重复3次才算是一个匹配

 

贪婪型与懒惰型

贪婪型的元字符，它们在匹配时往往是多多益善。
懒惰型（非贪婪型）元字符是在贪婪型其后加上？

贪婪型元字符	懒惰型元字符
*	*?
+	+?
{n,}	{n,}?

用法示例：

类型	匹配文本	正则表达式	匹配结果	说明
贪婪型	<h1>mytest</h1>and<h1>ok</h1>	<h1>.*</h1>	<h1>mytest</h1>and<h1>ok</h1>	.*尽可能多地匹配，因此匹配到了第二个</h1>
懒惰型	<h1>mytest</h1>and<h1>ok</h1>	<h1>.*?</h1>	<h1>mytest</h1>and<h1>ok</h1>	*尽可能少地匹配，因此匹配到了第一个</h1>

---

基础进阶

基础进阶链接：https://blog.csdn.net/Bei_xifen/article/details/82557614