Python爬虫入门——2. 3 正则表达式

       正则表达式对于新手来说，不够友好，因为表达式是由符号构成的，新手看到他会一脸茫然，但是在提取网页信息的时候，熟练运用正则表达式会起到事半功倍的效果。学习正则表达式是你学习网络爬虫绕不过去的。接下来我们就简单介绍一下正则表达式。

       之所以称之为正则表达式是因为这串特殊的字符串可以识别  “正则字符串（regular string）” 。所谓的正则字符串指的是有个规律的字符串。你给的字符串符合我的正则表达式我就返回这串字符串；如果不符合我的表达式，我就会忽略它。下面我们列出常用的正则表达式符号，然后在一一进行讲解：

声明：参考资料  《从零开始学Python网络爬虫》  作者：罗攀、蒋仟    机械工业出版社

                            《python网络数据采集》 作者：[美]Ryan Mitchell   陶俊杰、陈小莉 译  人民邮电出版社

    

一般字符

字符	含义
.	匹配任意单个字符（包括数字、符号、空格，但不包括换行符   \ n）
\	转义字符（即把有特殊含义的字符转换为普通字符）
[....]	匹配任意一个字符（相当于从  [  ]  里面任意选择一个）

 例：a.b                              匹配 acb、 asb、a#b、a@b、a&b等等

        \^  ，\\ ，\|                   匹配   ^ , \ , |

        [A-Z]，[a-z]，[0-9]       匹配   B，b，5   或者 G，h，3  等，只要是方括号里面的都有可能

        

预定义字符集

预定义字符集	含义
\d	匹配一个数字字符。等价于 [0 -9] （即从0 - 9 里面任选一个）
\D	匹配一个非数字字符。等价于 [^ 0-9]（即从不是0-9的字符里面任选一个）
\s	匹配任意空白字符，包括空格、制表符、换页符等。等价于[ \f\n\r\t\v]
\S	匹配任意非空白字符。等价于 [^\f\n\r\t\v]
\w	匹配包括下划线的任意单词字符。等价于 '[A-Za-z0-9_]'
\W	匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'

 例：\d    匹配  0 或 5 或 6 或 9  等

        \D    匹配 d 或 D 或 c 或 h  等

 

数量词

数量词	含义
*	匹配前一个字符、子表达式或括号里的字符0次或无限次
+	匹配前一个字符、子表达式或括号里的字符1次或无限次
？	匹配前一个字符、子表达式或括号里的字符0次或1次
{m}	匹配前一个字符、子表达式或括号里的字符m次
{m，n}	匹配前一个姿符、子表达式或括号里的字符 m 至 n 次

 例：a*b             匹配   b、aab、ab、aaaaab  等    

      （abc）*d     匹配  d、abcd、abcabcacbd  等

        a+b             匹配  ab、aab、aaaaab  等

      （ABC）+b   匹配  ABCb、ABCABCb、ABCABCABCb 等

        a？b            匹配  b、ab

      （abc）？d   匹配  d、abcd

        a{5}             匹配  aaaaa

        a{2，6}        匹配 aa、aaa、aaaa、aaaaa、aaaaaa

 

边界匹配

边界匹配	含义
^	指定字符串开始位置的字符或子表达式
$	从字符串的末端匹配
\A	仅匹配字符串的开头
\Z	仅匹配字符串的结尾

 例：^a    匹配  a、apsd、aspe、asfref  等a开头的字符串

        abc$ 匹配 abc结尾的字符串  如：qwepabc、deabc 等

 

现在介绍这些字符的几个重要组合。

1.        .*     点星 这两个字符组合的意思是，匹配所有字符串。

2.        （.*?）这个叫做非贪婪算法。它可以匹配任意的字符。是爬虫实战中经常用到的表达式。例如  ssHellossWorldss!ss

          使用费贪婪算法    ss(.*?)ss    就可以得到  Hello World !

        

 

讲完正则表达式之后，接着介绍一下 re 模块。re 模块可以使Python拥有所有的整的表达式功能。具体请参考博文

Python--re模块