爬虫记(四) - 正则表达式

匹配链接 <a href='www.xxx.com'>

(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\') 

上面这个正则表达式是网上找的.

首先'或'把两端分开

• (?<=href=\").+?(?=\")
• (?<=href=\').+?(?=\') 

然后 (?<=href=\") [反向肯定预查] 的意思是, 查找到某个字符时, 先向前看看有没有 href=\" , 有则成立. 

下面的例子, 在w字符的前面有 href=" 所以这个w要保留. 预查的东西是不进行输出的.

<a data="13" href="www.baidu.com"/>

(?=\") [正向肯定预查] 找到com的m的时候, m后面存在 " , 所以m要保留

.+?  :  .的意思是任意字符, +的意思是1次或更多, ?的意思是不贪婪, 满足条件的情况下越短越好

参考链接：正则表达式 – 元字符 | 菜鸟教程, 在其中搜索(?=pattern)

 

Python 正则表达式 re模块

re.search: 扫描整个字符串并返回第一个成功的匹配。

re.findall: 查找所有的字符串

re.sub 检索和替换

• pattern : 正则中的模式字符串。
• repl : 替换的字符串，也可为一个函数。
• string : 要被查找替换的原始字符串。
• count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。

请参考：http://www.runoob.com/python/python-reg-expressions.html

 

Python 正则表达式的其它问题

在字符串前加r表示禁止转义

例如 r"\"" 表示 \"

如果不用转义, 要表示 \", 需要写成"\\\""