python网络爬虫 正则表达式

正则字符串
正则字符串：就是任意可以用一系列线性规则构成的字符串。
例如：
aabbbbb(cc)(d| )
将其分解为

• aa*：a后面跟着的a*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：没啥特别，5次b
• (cc)*表示有任意次两个c（可以是0次）
• (d|):增加一个竖线在表达式里表示“这个或者那个”。表示最后可以跟着与一个d或者空格
  一个典型的利用正则表达式的例子是，邮箱地址

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

其中：

• 邮箱地址的第一部分至少包括一种内容：大写字母，小写字母，数字0-9，点号.加号+或者下划线_:[A-Za-z0-9._+]+:这个表示括号里的任意一个符号都可能出现，后面的+表示这些字符都可以出现多次，且至少出现一次
• @：这很直接
• [A-Za-z]+：符号@后面只能出现字母
• (com|org|net|edu)：一般邮箱的后缀是其中四个之一
  正则表达式的常用符号

符号	含义	例 子	匹配结果
*	匹配前面的字符，子表达式或者括号里的字符0次或者多次	ab	aaaa,aabb,aaab,bbbb
+	匹配前面的字符，子表达式或者括号i里的字符至少一次	a+b+	aaabb,aabb,ab
[]	匹配任意一个字符，相当于任意选择一个	[A-Z]*	APPLE,CAPTIALS,QWERTY
()	表达式编组（在正则表达式的规则里编组会优先运行）	(ab)	aaabaab
{m,n}	匹配前面的字符，子表达式或者括号里的字母 m到n次(包括m和n次)	a{2，3}b{2,3}	aabbb,aaabb
[^]	匹配任意一个不在中括号里的字符	[^A-Z]*	apple,lowercase
|	匹配任意一个竖线分割的字符	b(a|i|e)d	bad,bid,bed
.	匹配任意单个符号	b.d	bad,bed
^	指字符串开始位置 的字符或子表达式	^a	apple,asdf,a
\	转义字符
$	常用于正则表达式的末尾，表示从字符串末端匹配，如果不用他，每个正则表达式实际上都带着.*模式，只会从字符串开头匹配	[A-Z]*[a-z]*	ABCabc,zzzyx
?!	“不包含”。通常放在字符或者正则表达式的前面，表示字符不能出现在目标字符串中，比较难用