正则表达式

正则表达式

正则表达式这么叫，是因为他们可以识别正则字符串，

也就是说，它们可以这么定义：“如果你给我的字符串符合规则，我就返回它”，或者是“如果字符串不符合规则，我就忽略它”

学好正则表达式，对于爬虫中，有效信息的提取是非常有帮助的，至少我现在希望在杂乱无章的信息中，找到我所需要的文件。

对于一个简单的正则表达式

aa*bbbbb(cc)*(d|)

进行分解：

aa*:

a 后面跟着的 a*（读作 a 星）表示“重复任意次 a，包括 0 次”。这样就可以保证字母 a至少出现一次。

bbbbb：

就是连续五个b

（cc）*:

表示有任意多个cc（同样也可是是0个）

（d|）：

表示有一个d或者没有，就是逻辑或的意思

那么我们在来分析一个邮箱

规则	正则表达式
邮箱地址的第一部分至少包括一种类型：大写字母，小写字母，数字0~9，点号，加号，或下划线	[A-Za-z0-9\._+]+:这个正则表达式简写，A-Z，a-z，0-9分别表示大写字母，小写字母和数字，所有放在中括号里面表示出现一次，即一个字母，后面还有一个加号表示这些符号都可以出现多次，且至少出现一次
邮箱还包含一个@符号	直接出现一个@符号即可
在符号@之后，邮箱地址还至少包含一个大写或小写字母	[A-Za-z]
之后跟一个点号（.）	\.:域名前面必须有
最后还有结尾符	（com|org|edu|net）

完整的正则表达式：

[A-Za-z0-9\._+]+@[A-Za-z]+\.(com|org|edu|net)

常见的Python中的正则表达式

符号	含义	例子	匹配结果
*	匹配前面字符，子表达式或括号里面的字符0次或多次	a*b*	aaaaaa,abbbb,bbb
+	匹配前面的字符，子表达式或括号里面至少一次	a+b+	abb
[]	匹配任意一个字符	[A-Z]	A
()	表达式编组	(a*b)*	aaab
{m,n}	匹配前面的字符、子表达式或括号里的字符 m 到n次（包括m，n）	a{2,3}b{2,3}	aabbb
[^]	匹配任意一个不在括号里面的字符	[^A-Z]*	apple
|	理解为或运算符	b(a|i|e)d	bad,bid,bed
.	匹配任意单个字符（包括符号，子表达式）	b.d	bad，bid，b$d
\	转义字符（把有特殊含义的字符转化为普通字符）	\.\ | \\	.|\
$	表示从字符串的末端匹配	[A-Z]*[a-z]*$	ABCabc,zzzyx
^	指字符串开始位置的字符或子表达式	^a	Apple,aaad
?!	“不包含”。这个奇怪的组合通常放在字符或正则表达式前面，表示字符不能出现在目标字符串里。这个符号比较难用，字符通常会在字符串的不同部位出现。如果要在整个字符串中全部排除某个字符，就加上 ^ 和 $ 符号	^((?![A-Z]).)*$	（就是不能包含大写字母）