过去在网页解析中,一直使用的都是Xpath,CSS,或者是BS4解析,很少会用到正则,毕竟一个大型网站的前端代码基本上每过一段时间就会更新一次。所以,用正则表达式的话,很容易过段时间就不能正常解析出来想要的结果。相比较来说,在重写的过程中,上面三个所要花费的时间开销比正则要小的多。不过在每次和别人交流的时候,基本上大神都推荐用正则,这个时候难免知其然而不知其所以然。可能是自己的正则用的还不到家,正则在文本匹配中的妙用还是了解的太少。
一篇写的非常不错的博客:打开链接
上面提到的博客中的内容不再坠余,这里重点说下正则表达式的扩展表示法。
1.1 (?iLmsux)(必须放在匹配字符串的开头)
用户可以直接在正则表达式里面指定一个或者多个标记,而不是通过compile()或者其他re模块函数。
括号里面的iLmsux表示如下(u并不常用,没有列出):
re.I,re.IGNORECASE 不区分大小写的匹配
re.L,re.LOCALE 根据所使用的本地语言环境通过\w,\W,\b,\B,\s,\S实现匹配
re.M,re.MULTILINE ^和$分别匹配目标字符串中行的起始和结尾,而不是严格匹配整个字符串本身的起始和结尾。
re.S,re.DOTALL "."(点号)通常匹配除了\n(换行符)之外的所有单个字符;该模式表示"."(点号)能够匹配全部字符。
re.X,re.VERBOSE 通过反斜线转义,否则所有空格加上#(以及在该行中所有后续文字)都被忽略,除非在一个字符串中或者允许注释并且提高可读性。
re.findall(r"