正则表达式是处理字符串的强大工具,它有自己的特定语法结构,有了它,实现字符串的检索、替换、匹配 验证都不在话下。
当然、对于爬虫而言,有了它,从HTML中提取信息就变得非常方便。
1.正则表达式介绍
开源中国的一个网站:http://tool.oschina.com/regex
写好正则表达式之后,就可以拿他去一个长的字符串里面匹配查找了。不论这个字符串里面有什么,只要匹配符合我们所写的规则,统统可以查找出来,对于网页而言,如果想找出网页源代码里有多少URL用匹配URL的正则表达式去匹配即可。
常用匹配规则:
1. \w 匹配字母、数字及下划线
2.\W 匹配不是字母、数字及下划线
3.\s 匹配任意空白字符、等价于[\t\n\r\f]
4.\S 匹配任意非空字符
5.\d 匹配任意数字,等价于[0-9]
6.\D 匹配任意非数字的字符
7.\A匹配字符串的开头 (初次看不知道用法)
8.\Z 匹配字符串结尾,如果存在换行、只匹配到换行前的结束字符串。
9.\z 匹配字符串的结尾,如果存在换行,同时还会匹配换行符。
10. \G 匹配最后匹配完成的位置(初次看见不知具体用法)