Python爬虫之八：正则表达式

1、re 模块

re模块是python独有的匹配字符串的模块，该模块中提供的很多功能是基于正则表达式实现的，而正则表达式是对字符串进行模糊匹配，提取自己需要的字符串部分，他对所有的语言都通用。注意：
1.re模块是python独有的
2.正则表达式所有编程语言都可以使用
3.re模块、正则表达式是对字符串进行操作
因为，re模块中的方法大都借助于正则表达式，故先学习正则表达式。

2、正则表达式

1.正则就是用一些具有特殊含义的符号组合到一起（称为正则表达式）来描述字符或者字符串的方法。
2.正则就是用来描述一类事物的规则。
3.在Python中，它内嵌在Python中，并通过 re 模块实现。
4.正则表达式模式被编译成一系列的字节码，然后由用 C 编写的匹配引擎执行。

一、单字符的匹配

1、元字符

元字符	匹配内容
.	匹配除换行符以外的任意字符
\w	匹配字母或数字或下划线
\s	匹配任意的空白符
\d	匹配数字
\n	匹配一个换行符
\t	匹配一个制表符
\b	匹配一个单词的结尾
^	匹配字符串的开始
$	匹配字符串的结尾
\W	匹配非字母或数字或下划线
\D	匹配非数字
\S	匹配非空白符
a	b
()	匹配括号内的表达式，也表示一个组
[…]	匹配字符组中的字符
[^…]	匹配除了字符组中字符的所有字符

使用语法如下：

import re  #导入 re 模块

text = 'abc' #正则表达式查询的字符串
ret = re.match('.', text) # 查询text的第一个字符是否符合正则表达式的要求
print(ret.group()) # 打印匹配到的字符

2、组合字符

正则	待匹配字符	匹配结果	说明
[0123456789]	8	True	在一个字符组里枚举合法的所有字符，字符组里的任意一个字符和"待匹配字符"相同都视为可以匹配
[0123456789]	a	False	由于字符组中没有"a"字符，所以不能匹配
[0-9]	7	True	也可以用"-"表示范围,[0-9]就和[0123456789]是一个意思
[a-z]	m	True	同样的如果要匹配所有的小写字母，直接用[a-z]就可以表示
[A-Z]	M	True	[A-Z]就表示所有的大写字母
[0-9a-fA-F]	z	True	可以匹配数字，大小写形式的a～f，用来验证十六进制字符

使用语法如下：

import re #导入 re 模块

text = '89abc'  #正则表达式查询的字符串
ret = re.match('[0-9]', text)  # 查询text的第一个字符是否符合正则表达式的要求
print(ret.group()) # 打印匹配到的字符

二、多字符的匹配

1 、量词

量词	用法说明
*	重复零次或更多次
+	重复一次或更多次
?	重复零次或一次
{n}	重复n次
{n,}	重复n次或更多次
{n,m}	重复n到m次

2、使用方法

1、*：重复零次或更多次

# * 重复零次或更多次
text01 = '1abc'
ret01 = re.match('\w*', text01)
print(ret01.group()) 

解释：输出结果为 4 个字符（1abc），先用 ‘\w’ 去匹配 text01，如果符合要求则继续匹配下一个字符是否符合 ‘\w’ 的规则，如果第一个都不符合直接返回匹配到 0 个字符，如果后面遇到不符合的直接返回匹配到符合的字符的总数。

2、+：重复一次或更多次

‘+’ 和 ‘*’基本用法是一样的，唯一的区别是，它最少要匹配到一个字符

3、?：重复零次或一次

‘?’ 和 ‘*’的区别是：它只能匹配0个或1个字符

4、{n}：重复n次

‘{n}’ 和 ‘*’的区别是：它只能匹配n个字符，匹配不到就报错

5、{n,}：重复n次或更多次

‘{n，}’ 和 ‘*’的区别是：它只能匹配n个或多个字符，匹配不到n个就报错，返回匹配的最多个数。

6、{n,m}：重复n到m次

‘{n，}’ 和 ‘*’的区别是：它只能匹配n个到m个之间的字符，匹配不到n个就报错，返回匹配的最多个数。

三、四个小案例

1、验证手机号

import re

# 验证手机号：以1开头，第二位是3-9，其余的是0-9
text = input('请输入手机号：')
if len(text) == 11