寫爬蟲(chóng)，怎么可以不會(huì)正則呢式塌？
Python大本營(yíng)?8月19日
作者 | 丹楓無(wú)跡?
來(lái)源 | 大齡碼農(nóng)的Python之路（ID:gl-1573）
導(dǎo)讀：正則在各語(yǔ)言中的使用是有差異的沼沈，本文以 Python 3 為基礎(chǔ)伪窖。本文主要講述的是正則的語(yǔ)法嗦董，對(duì)于 re 模塊不做過(guò)多描述，只會(huì)對(duì)一些特殊地方做提示峡眶。
很多人覺(jué)得正則很難看幼，在我看來(lái)，這些人一定是沒(méi)有用心幌陕。其實(shí)正則很簡(jiǎn)單诵姜，根據(jù)二八原則，我們只需要懂 20% 的內(nèi)容就可以解決 80% 的問(wèn)題了搏熄。我曾經(jīng)有幾年幾乎每天都跟正則打交道棚唆，剛接手項(xiàng)目的時(shí)候我對(duì)正則也是一無(wú)所知，花半小時(shí)百度了一下心例，然后寫了幾個(gè) demo宵凌，就開(kāi)始正式接手了。三年多時(shí)間止后，我用到的正則鮮有超出我最初半小時(shí)百度到的知識(shí)的瞎惫。
1、正則基礎(chǔ)
1.1译株、基礎(chǔ)語(yǔ)法
（1）常用元字符
（2）限定詞（又叫量詞）
（3）常用反義詞
（4）字符族
以上便是正則的基礎(chǔ)內(nèi)容瓜喇，下面來(lái)寫兩個(gè)例子看下：
s?='123abc你好'
re.search('\d+',?s).group()
re.search('\w+',?s).group()
結(jié)果：
123
123abc你好
是不是很簡(jiǎn)單？
1.2歉糜、修飾符
修飾符在各語(yǔ)言中也是有差異的乘寒。
Python 中的修飾符：
（1）re.A
修飾符?A?使?\w?只匹配 ASCII 字符，\W?匹配非 ASCII 字符匪补。
s?='123abc你好'
re.search('\w+',?s,?re.A).group()
re.search('\W+',?s,?re.A).group()
結(jié)果：
123abc
你好
但是描述中還有?\d?和?\D伞辛，數(shù)字不都是 ASCII 字符嗎？這是什么意思夯缺？別忘了蚤氏，還有全角和半角！
s?='０１２３４５６７８９'#?全角數(shù)字
re.search('\d+',?s,?re.U).group()
結(jié)果：
０１２３４５６７８９
（2）re.M
多行匹配的模式其實(shí)也不常用踊兜，很少有一行行規(guī)整的數(shù)據(jù)竿滨。
s='aaa\r\nbbb\r\nccc'
re.findall('^[\s\w]*?$',?s)
re.findall('^[\s\w]*?$',?s,?re.M)
結(jié)果：
['aaa\r\nbbb\r\nccc']#?單行模式
['aaa\r','bbb\r','ccc']#?多行模式
（3）re.S
這個(gè)簡(jiǎn)單，直接看個(gè)例子。
s='aaa\r\nbbb\r\nccc'
re.findall('^.*',?s)
re.findall('^.*',?s,?re.S)
結(jié)果：
['aaa\r']
['aaa\r\nbbb\r\nccc']
（4）re.X
用法如下：
rc?=?re.compile(r"""
\d+?#?匹配數(shù)字
#?和字母
[a-zA-Z]+
"""
,?re.X)
rc.search('123abc').group()
結(jié)果：
123abc
注意姐呐，用了X修飾符后，正則中的所有空格會(huì)被忽略典蝌，包括正則里面的原本有用的空格曙砂。如果正則中有需要使用空格，只能用\s代替骏掀。
（5）(?aiLmsux)
修飾符不僅可以代碼中指定鸠澈，也可以在正則中指定。(?aiLmsux)?表示了以上所有的修飾符截驮，具體用的時(shí)候需要哪個(gè)就在 ? 后面加上對(duì)應(yīng)的字母笑陈，示例如下，(?a)?和?re.A?效果是一樣的：
s?='123abc你好'
re.search('(?a)\w+',?s).group()
re.search('\w+',?s,?re.A).group()
結(jié)果是一樣的：
123abc
123abc
1.3葵袭、貪婪與懶惰
當(dāng)正則表達(dá)式中包含能接受重復(fù)的限定符時(shí)涵妥，通常的行為是（在使整個(gè)表達(dá)式能得到匹配的前提下）匹配盡可能多的字符。
s?='aabab'
re.search('a.*b',?s).group()#?這就是貪婪
re.search('a.*?b',?s).group()#?這就是懶惰
結(jié)果：
aabab
aab
簡(jiǎn)單來(lái)說(shuō)：
所謂貪婪坡锡，就是盡可能多的匹配蓬网；
所謂懶惰，就是盡可能少的匹配鹉勒。
*帆锋、+、{n,}?這些表達(dá)式屬于貪婪禽额；
*?锯厢、+?、{n,}??這些表達(dá)式就是懶惰（在貪婪的基礎(chǔ)上加上??）脯倒。
2实辑、正則進(jìn)階
2.1、捕獲分組
注意：在其他語(yǔ)言或者網(wǎng)上的一些正則工具中藻丢，分組命名的語(yǔ)法是?(?<name>exp)或(?'name'exp)徙菠，但在 Python 里，這樣寫會(huì)報(bào)錯(cuò)：This named group syntax is not supported in this regex dialect郁岩。Python 中正確的寫法是：(?P<name>exp)
示例一：
分組可以讓我們用一條正則提取出多個(gè)信息婿奔，例如：
s =?'姓名：張三；性別：男问慎；電話：138123456789'
m?=?re.search('姓名[:：](\w+).*?電話[:：](\d{11})',?s)
if?m:
name?=?m.group(1)
phone?=?m.group(2)
print(f'name:{name},?phone:{phone}')
結(jié)果：
name:張三,phone:13812345678
示例二：
(?P<name>exp)?有時(shí)還是會(huì)用到的萍摊，?(?P=name)?則很少情況下會(huì)用到。我想了一個(gè)?(?P=name)?的使用示例如叼，給大家看下效果：
s?='''
張三
30
138123456789
'''
pattern?=r'<(?P<name>.*?)>(.*?)</(?P=name)>'
It?=?re.findall(pattern,?s)
結(jié)果：
[('name',?'張三'),?('age',?'30'),?('phone',?'138123456789')]
2.2冰木、零寬斷言
注意：正則中常用的前項(xiàng)界定(?<=exp)和前項(xiàng)否定界定(?<!exp)在 Python 中可能會(huì)報(bào)錯(cuò)：look-behind requires fixed-width pattern，原因是 python 中前項(xiàng)界定的表達(dá)式必須是定長(zhǎng)的，看如下示例：
(?<=aaa)#?正確
(?<=aaa|bbb)#?正確
(?<=aaa|bb)#?錯(cuò)誤
(?<=\d+)#?錯(cuò)誤
(?<=\d{3})#?正確
2.3踊沸、條件匹配
這大概是最復(fù)雜的正則表達(dá)式了歇终。語(yǔ)法如下：
此語(yǔ)法極少用到，印象中只用過(guò)一次逼龟。
以下示例的要求是：如果以 _ 開(kāi)頭评凝，則以字母結(jié)尾，否則以數(shù)字結(jié)尾腺律。
s1?='_abcd'
s2?='abc1'
pattern?='(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'
re.search(pattern,?s1).group()
re.search(pattern,?s2).group()
結(jié)果：
_abcd
abc1
2.4奕短、findall
Python 中的?re.findall?是個(gè)比較特別的方法（之所以說(shuō)它特別，是跟我常用的 C# 做比較匀钧，在沒(méi)看注釋之前我想當(dāng)然的掉坑里去了）翎碑。我們看這個(gè)方法的官方注釋：
Returna?listofall?non-overlapping?matchesinthestring.
Ifoneormore?capturing?groups?are?presentinthe?pattern,return
a?listofgroups;?this?will?be?a?listoftuplesifthe?pattern
has?more?than?onegroup.
Empty?matches?are?includedinthe?result.
簡(jiǎn)單來(lái)說(shuō)，就是
如果沒(méi)有分組之斯，則返回整條正則匹配結(jié)果的列表日杈；
如果有 1 個(gè)分組，則返回分組匹配到的結(jié)果的列表佑刷；
如果有多個(gè)分組茫因，則返回分組匹配到的結(jié)果的元組的列表喘鸟。
看下面的例子：
s='aaa123bbb456ccc'
re.findall('[a-z]+\d+',?s)#?不包含分組
re.findall('[a-z]+(\d+)',?s)#?包含一個(gè)分組
re.findall('([a-z]+(\d+))',?s)#?包含多個(gè)分組
re.findall('(?:[a-z]+(\d+))',?s)#??:?不捕獲分組匹配結(jié)果
結(jié)果：
['aaa123',?'bbb456']
['123',?'456']
[('aaa123',?'123'),?('bbb456',?'456')]
['123',?'456']
零寬斷言中講到 Python 中前項(xiàng)界定必須是定長(zhǎng)的芋绸，這很不方便葵蒂，但是配合 findall 有分組時(shí)只取分組結(jié)果的特性，就可以模擬出非定長(zhǎng)前項(xiàng)界定的效果了檀何。
結(jié)語(yǔ)
其實(shí)正則就像是一個(gè)數(shù)學(xué)公式蝇裤，會(huì)背公式不一定會(huì)做題。但其實(shí)這公式一點(diǎn)也不難频鉴，至少比學(xué)校里學(xué)的數(shù)學(xué)簡(jiǎn)單多了栓辜，多練習(xí)幾次也就會(huì)了。
誰(shuí)偷偷刪了你的微信垛孔？別慌藕甩！Python幫你都揪出來(lái)了
吐血整理！140種Python標(biāo)準(zhǔn)庫(kù)周荐、第三方庫(kù)和外部工具都有了
