正则表达式学习

最近在爬虫，学习一下正则表达式。

import re

特殊字符

1. ‘$’ 匹配输入字符串的结尾位置

re.search(r"123", "123abc")#<_sre.SRE_Match object; span=(0, 3), match='123'>
re.search(r"123$", "123abc")#None

2. '^'匹配输入字符串的开始位置。

re.search(r"123", "abc123")#<_sre.SRE_Match object; span=(3, 6), match='123'>
re.search(r"^123", "abc123")#None

3. '()'标记一个子表达式的开始和结束位置。

re.search(r"(ab)", "abc")#<_sre.SRE_Match object; span=(0, 2), match='ab'>

4. '*'匹配前面的子表达式零次或多次。

re.search(r"a*", "")#<_sre.SRE_Match object; span=(0, 0), match=''>
re.search(r"a*", "aa")#<_sre.SRE_Match object; span=(0, 2), match='aa'>

5. '+'匹配前面的子表达式一次或多次。

re.search(r"a+", "")#None
re.search(r"a+", "a")#<_sre.SRE_Match object; span=(0, 1), match='a'>
re.search(r"a+", "aa")#<_sre.SRE_Match object; span=(0, 2), match='aa'>

6. '.'匹配除换行符\n之外的任何单字符。

re.search(r".", "1")#<_sre.SRE_Match object; span=(0, 1), match='1'>
re.search(r".", "a")#<_sre.SRE_Match object; span=(0, 1), match='a'>
re.search(r".", "啊")#<_sre.SRE_Match object; span=(0, 1), match='a'>
re.search(r".*", "啊abc123")#<_sre.SRE_Match object; span=(0, 7), match='啊abc123'>

7. '['标记一个中括号表达式的开始。

re.search(r"[a]", "abc")#<_sre.SRE_Match object; span=(0, 1), match='a'>

8. '?'匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。

re.search(r"(ab)?", "abc")#<_sre.SRE_Match object; span=(0, 2), match='ab'>

9. ’\'将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。

re.search(r"\?", "?")#<_sre.SRE_Match object; span=(0, 1), match='?'>

10. ‘{’标记限定符表达式的开始。

re.search(r"\d{3}", "123")#<_sre.SRE_Match object; span=(0, 3), match='123'>

11. ’|‘指明两项之间的一个选择。

re.search(r"[a|b|c]", "abc")#<_sre.SRE_Match object; span=(0, 1), match='a'>

限定符

1. ‘*’匹配前面的子表达式零次或多次。
2. ‘+’匹配前面的子表达式一次或多次。
3. ‘?'匹配前面的子表达式零次或一次。
4. ‘{n}'匹配确定的n次。
5. ’{n,}'匹配至少n次。
6. ‘{n,m}’匹配n-m次。

贪婪匹配和最小匹配

re.search('<.*>', '<H1>Chapter 1 - 介绍正则表达式</H1>')#<_sre.SRE_Match object; span=(0, 28), match='<H1>Chapter 1 - 介绍正则表达式</H1>'>
re.search('<.*?>', '<H1>Chapter 1 - 介绍正则表达式</H1>')#<_sre.SRE_Match object; span=(0, 4), match='<H1>'>

‘.*’具有贪婪的性质，首先匹配到不能匹配为止，根据后面的正则表达式，会进行回溯，尽可能多地匹配所搜索的字符串。
而‘.*?’则相反，一个匹配以后，就往下进行，不会进行回溯，具有最小匹配的性质，尽可能少地匹配所搜索的字符串。
通过在*、+或?限定符之后放置?，该表达式从贪婪匹配转换为最小匹配。

定位符

1. ’^'匹配输入字符串开始的位置。
2. ‘$'匹配输入字符串结尾的位置。
3. ’\b‘匹配一个单词边界，即字和空格间的位置。

re.search('\\bnic', "It's a nice day today.")#<_sre.SRE_Match object; span=(7, 10), match='nic'>
re.search('ice\\b', "It's a nice day today.")#<_sre.SRE_Match object; span=(7, 10), match='ice'>

4. ’\B’匹配非单词边界。

re.search('\\Bic', "It's a nice day today.")#<_sre.SRE_Match object; span=(8, 10), match='ic'>

非捕获组

非捕获组只匹配结果，但不捕获结果，也不会分配组号，不能在表达式中做进一步处理。

1. (?:pattern)匹配pattern，但不捕获匹配结果。

re.search('industr(?:y|ies)', 'industry')#<_sre.SRE_Match object; span=(0, 8), match='industry'>
re.search('industr(?:y|ies)', 'industries')#<_sre.SRE_Match object; span=(0, 10), match='industries'>

2. (?=pattern)零宽度正向预查，不捕获匹配结果，正向先行断言。

re.search('Windows(?=7|8|10)', 'Windows10')#<_sre.SRE_Match object; span=(0, 7), match='Windows'>
re.search('Windows(?=7|8|10)', 'Windows3.1')#None

3. (?!pattern)零宽度负向预查，不捕获匹配结果，反向先行断言。

re.search('Windows(?!7|8|10)', 'Windows3.1')#<_sre.SRE_Match object; span=(0, 7), match='Windows'>

4. (?<=pattern)零宽度正向回查，不捕获匹配结果，正向先行断言。

re.search('(?<=Office)2019', "Office2019")#<_sre.SRE_Match object; span=(6, 10), match='2019'>
re.search('(?<=Office|excel)2019', "Office2019")#error: look-behind requires fixed-width pattern,python的re不支持变长先行断言
re.search('(?<=Office|excel1)2019', "Office2019")#<_sre.SRE_Match object; span=(6, 10), match='2019'>

5. (?<!pattern)零宽度反向回查，不捕获匹配结果，反向先行断言。

re.search('(?<!Office|excel1)2019', "Office2019")#None