Python 网络爬虫(三) 正则表达式

1.匹配规则  : 

\d	匹配一个数字
\w	匹配一个字母或者数字
.	匹配一个任意的字符, 除了空格                       匹配的是字符
*	匹配0次或者多次前面的子表达式                    匹配的是子表达式的长度
+	匹配至少一个前面的子表达式,                         匹配的是子表达式的长度
?	匹配0个或者一个前面的子表达式                    匹配的是子表达式的长度
{n}	匹配n个前面的子表达式                                  匹配的是子表达式的长度
{n, m}	匹配n-m个前面的子表达式                              匹配的是子表达式的长度
\s	匹配一个空格,   \s+ 表示匹配多个空格
[ ]	表示匹配的内容范围,  内容是否在括号中的内容  [13] 可以匹配字符1, 3, 13 ; [1,3]匹配字符1,3 ; [1-3] 匹配字符1,2,3
[0-9a-zA-Z\_]	可以匹配一个数字、字母或者下划线；
[0-9a-zA-Z\_]+	可以匹配至少由一个数字、字母或者下划线组成的字符串
^	表示行的开头,     ^\d表示必须以数字开头
$	表示行的结尾,     $\d表示必须以数字结尾
|	或者    A|B   表示A或者B
(  )	()内的内容表示的是一个表达式，()本身不匹配任何东西,    eg: (ab){1,3}表示ab一起出现1到3次,  ab{1,3} 表示a然后后面有个b, b出现1到3 次
\b	匹配一个单词边界，即字与空格间的位置。

2.*、+限定符都是贪婪的，因为它们会尽可能多的匹配文字，只有在它们的后面加上一个?就可以实现非贪婪或最小匹配。

eg: <H1>Chapter 1 - 介绍正则表达式</H1>

      (1)  " /<.*>/ "  匹配的内容是 :     <H1>Chapter 1 - 介绍正则表达式</H1>   , 第一个  <  到  最后一个  >  之间的内容.

      (2)  " /<.*?>/ "  匹配的内容是 :    <H1>Chapter 1 - 介绍正则表达式</H1>   , 第一个 <  到  第一个  >   之间的内容.

3.在Python中, 在字符串之前添加  r  表示该字符串用于正则, 不需要进行转义.

4.re模块常用的方法 :

(1)  match() 方法判断是否匹配，如果匹配成功，返回一个Match对象，否则返回None。如果正则表达式中定义了组( 就是使用小括号 )，就可以在Match对象上用group()方法提取出子串来。

(2) re.spilt()    方法用于切割一个字符串.

(3) re.compile(r'^(\d{3})-(\d{3,8})$')   表示编译正则表达式