数据提取之正则

1. 什么是正则表达式

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。

2. 正则表达式的常见语法

知识点

• 正则中的字符
• 正则中的预定义字符集
• 正则中的数量词
  

正则的语法很多，不能够全部复习，对于其他的语法，可以临时查阅资料，比如:表示或还能使用|

练习： 下面的输出是什么？

string_a = '<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n\t\t<meta http-equiv="content-type" content="text/html;charset=utf-8">\n\t\t<meta content="always" name="referrer">\n        <meta name="theme-color" content="#2932e1">'
ret = re.findall("<.*>",string_a)
print(ret)

3. re模块的常见方法

• pattern.match（从头找一个）
• pattern.search（找一个）
• pattern.findall（找所有）
  - 返回一个列表，没有就是空列表

  re.findall("\d","chuan1zhi2") >> ["1","2"]
  

• pattern.sub（替换）

  re.sub("\d","_","chuan1zhi2") >> ["chuan_zhi_"]
  

• re.compile（编译）
  - 返回一个模型P，具有和re一样的方法，但是传递的参数不同
  - 匹配模式需要传到compile中

  p = re.compile("\d",re.S)
  p.findall("chuan1zhi2")
  

4. python中原始字符串r的用法

知识点

• 原始字符串
• 元是字符串的长度
• 原始字符串的使用

原始字符串定义(raw string)：所有的字符串都是直接按照字面的意思来使用，没有转义特殊或不能打印的字符，原始字符串往往针对特殊字符而言。例如"\n"的原始字符串就是"\n"

• 原始字符串的长度

  In [19]: len("\n")
  Out[19]: 1

  In [20]: len(r"\n")
  Out[20]: 2

  In [21]: r"\n"[0]
  Out[21]: '\\'

正则中原始字符串的使用

  In [13]: r"a\nb" == "a\\nb"
  Out[13]: True

  In [14]: re.findall("a\nb","a\nb")
  Out[14]: ['a\nb']

  In [15]: re.findall(r"a\nb","a\nb")
  Out[15]: ['a\nb']

  In [16]: re.findall("a\\nb","a\nb")
  Out[16]: ['a\nb']

  In [17]: re.findall("a\\nb","a\\nb")
  Out[17]: []

  In [18]: re.findall(r"a\\nb","a\\nb")
  Out[18]: ['a\\nb']

上面的现象说明什么？

正则中使用原始字符串 r 能够忽略转义符号带来的影响，加上原始字符串 r 之后，待匹配的字符串中有多少个 \ ，正则中就添加多少个 \ 即可

• windows中原始字符串r的使用
  

5. 练习

• re.compile该如何使用？
• 如何非贪婪的去匹配内容？
• re.findall(r“a.*bc”,”a\nbc”,re.DOTALL)和re.findall(r“a(.*)bc”,”a\nbc”,re.DOTALL)的区别？
  - 不分组时匹配的是全部，分组后匹配的是组内的内容