先詳細的整理一下Python中的正則表達式的相關內(nèi)容。正則表達式在Python爬蟲中的作用就像是老師點名時用的花名冊一樣挽荡，是必不可少的神兵利器藐石。
一即供、 正則表達式基礎
1.1.概念介紹
正則表達式是用于處理字符串的強大工具定拟，它并不是Python的一部分。
其他編程語言中也有正則表達式的概念逗嫡，區(qū)別只在于不同的編程語言實現(xiàn)支持的語法數(shù)量不同青自。
它擁有自己獨特的語法以及一個獨立的處理引擎，在提供了正則表達式的語言里驱证，正則表達式的語法都是一樣的延窜。
下圖展示了使用正則表達式進行匹配的流程：
正則表達式的大致匹配過程是：
1.依次拿出表達式和文本中的字符比較，
2.如果每一個字符都能匹配抹锄，則匹配成功逆瑞；一旦有匹配不成功的字符則匹配失敗荠藤。3.如果表達式中有量詞或邊界，這個過程會稍微有一些不同获高。
3.光理論是不夠的哈肖。這里順便送大家一套2020最新PYTHON網(wǎng)絡爬蟲從入門到實踐、Python開發(fā)技術詳解念秧，《Python爬蟲開發(fā)與項目實戰(zhàn)》等學習資料淤井，需要的小伙伴，添加w?：bjmsb07 即可獲得摊趾！
1.2. 數(shù)量詞的貪婪模式與非貪婪模式
正則表達式通常用于在文本中查找匹配的字符串币狠。
貪婪模式，總是嘗試匹配盡可能多的字符砾层；
非貪婪模式則相反漩绵，總是嘗試匹配盡可能少的字符。
Python里數(shù)量詞默認是貪婪的梢为。
例如：正則表達式"ab*"如果用于查找"abbbc"渐行，將找到"abbb"。
而如果使用非貪婪的數(shù)量詞"ab*?"铸董，將找到"a"祟印。
1.3. 反斜杠的問題
與大多數(shù)編程語言相同，正則表達式里使用""作為轉(zhuǎn)義字符粟害，這就可能造成反斜杠困擾蕴忆。
假如你需要匹配文本中的字符""，那么使用編程語言表示的正則表達式里將需要4個反斜杠"\"：
第一個和第三個用于在編程語言里將第二個和第四個轉(zhuǎn)義成反斜杠悲幅，
轉(zhuǎn)換成兩個反斜杠后再在正則表達式里轉(zhuǎn)義成一個反斜杠用來匹配反斜杠套鹅。
這樣顯然是非常麻煩的。
Python里的原生字符串很好地解決了這個問題汰具，這個例子中的正則表達式可以使用r""表示卓鹿。
同樣，匹配一個數(shù)字的"d"可以寫成r"d"留荔。
有了原生字符串吟孙，媽媽再也不用擔心我的反斜杠問題~
二、 介紹re模塊
2.1. Compile
Python通過re模塊提供對正則表達式的支持聚蝶。
使用re的一般步驟是：
Step1：先將正則表達式的字符串形式編譯為Pattern實例杰妓。
Step2：然后使用Pattern實例處理文本并獲得匹配結果（一個Match實例）。
Step3：最后使用Match實例獲得信息碘勉，進行其他的操作巷挥。
我們新建一個re01.py來試驗一下re的應用：
代碼如下:
#?-*-?coding:?utf-8-*-
#一個簡單的re實例，匹配字符串中的hello字符串
#導入re模塊
import?re
#?將正則表達式編譯成Pattern對象验靡，注意hello前面的r的意思是“原生字符串”
pattern?=?re.compile(r'hello')
#?使用Pattern匹配文本倍宾，獲得匹配結果雏节，無法匹配時將返回None
match1?=?pattern.match('hello?world!')
match2?=?pattern.match('helloo?world!')
match3?=?pattern.match('helllo?world!')
#如果match1匹配成功
ifmatch1:
#?使用Match獲得分組信息
printmatch1.group()
else:
print'match1匹配失敗高职！'
#如果match2匹配成功
ifmatch2:
#?使用Match獲得分組信息
printmatch2.group()
else:
print'match2匹配失敺汀！'
#如果match3匹配成功
ifmatch3:
#?使用Match獲得分組信息
printmatch3.group()
else:
print'match3匹配失敵鹾瘛件蚕！'
可以看到控制臺輸出了匹配的三個結果：
下面來具體看看代碼中的關鍵方法。
★ re.compile(strPattern[, flag]):
這個方法是Pattern類的工廠方法产禾，用于將字符串形式的正則表達式編譯為Pattern對象排作。
第二個參數(shù)flag是匹配模式，取值可以使用按位或運算符'|'表示同時生效亚情，比如re.I | re.M妄痪。
另外，你也可以在regex字符串中指定模式楞件，
比如re.compile('pattern', re.I | re.M)與re.compile('(?im)pattern')是等價的衫生。
可選值有：
re.I(全拼：IGNORECASE): 忽略大小寫（括號內(nèi)是完整寫法，下同）
re.M(全拼：MULTILINE): 多行模式土浸，改變'^'和'$'的行為（參見上圖）
re.S(全拼：DOTALL): 點任意匹配模式罪针，改變'.'的行為
re.L(全拼：LOCALE): 使預定字符類 w W B s S 取決于當前區(qū)域設定
re.U(全拼：UNICODE): 使預定字符類 w W B s S d D 取決于unicode定義的字符屬性
re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行黄伊，忽略空白字符泪酱，并可以加入注釋。
以下兩個正則表達式是等價的：
代碼如下:
#?-*-?coding:?utf-8-*-
#兩個等價的re匹配,匹配一個小數(shù)
import?re
a?=?re.compile(r"""d?+?#?the?integral?part?
.?#?the?decimal?point?
d?*?#?some?fractional?digits""",?re.X)
b?=?re.compile(r"d+.d*")
match11?=?a.match('3.1415')
match12?=?a.match('33')
match21?=?b.match('3.1415')
match22?=?b.match('33')
ifmatch11:
#?使用Match獲得分組信息
printmatch11.group()
else:
printu'match11不是小數(shù)'
ifmatch12:
#?使用Match獲得分組信息
printmatch12.group()
else:
printu'match12不是小數(shù)'
ifmatch21:
#?使用Match獲得分組信息
printmatch21.group()
else:
printu'match21不是小數(shù)'
ifmatch22:
#?使用Match獲得分組信息
printmatch22.group()
else:
printu'match22不是小數(shù)'
re提供了眾多模塊方法用于完成正則表達式的功能还最。
這些方法可以使用Pattern實例的相應方法替代墓阀，唯一的好處是少寫一行re.compile()代碼，
但同時也無法復用編譯后的Pattern對象拓轻。
這些方法將在Pattern類的實例方法部分一起介紹斯撮。
如一開始的hello實例可以簡寫為：
代碼如下:
#?-*-?coding:?utf-8-*-
#一個簡單的re實例，匹配字符串中的hello字符串
importre
m?=?re.match(r'hello','hello?world!')
printm.group()
2.2. Match
Match對象是一次匹配的結果扶叉，包含了很多關于此次匹配的信息勿锅，可以使用Match提供的可讀屬性或方法來獲取這些信息。
屬性：
string: 匹配時使用的文本辜梳。
re: 匹配時使用的Pattern對象粱甫。
pos: 文本中正則表達式開始搜索的索引泳叠。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同作瞄。
endpos: 文本中正則表達式結束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同危纫。
lastindex: 最后一個被捕獲的分組在文本中的索引宗挥。如果沒有被捕獲的分組乌庶，將為None。
lastgroup: 最后一個被捕獲的分組的別名契耿。如果這個分組沒有別名或者沒有被捕獲的分組瞒大，將為None。
方法：
group([group1, …])：
獲得一個或多個分組截獲的字符串搪桂；指定多個參數(shù)時將以元組形式返回透敌。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串踢械；不填寫參數(shù)時酗电，返回group(0)；沒有截獲字符串的組返回None内列；截獲了多次的組返回最后一次截獲的子串撵术。
groups([default])：
以元組形式返回全部分組截獲的字符串。相當于調(diào)用group(1,2,…last)话瞧。default表示沒有截獲字符串的組以這個值替代嫩与，默認為None。
groupdict([default])：
返回以有別名的組的別名為鍵交排、以該組截獲的子串為值的字典划滋，沒有別名的組不包含在內(nèi)。default含義同上埃篓。
start([group])：
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）古毛。group默認值為0。
end([group])：
返回指定的組截獲的子串在string中的結束索引（子串最后一個字符的索引+1）都许。group默認值為0稻薇。
span([group])：
返回(start(group), end(group))。
expand(template)：
將匹配到的分組代入template中然后返回胶征。template中可以使用id或g塞椎、g引用分組，但不能使用編號0睛低。id與g是等價的案狠；但10將被認為是第10個分組，如果你想表達1之后是字符'0'钱雷，只能使用g<1>0骂铁。
下面來用一個py實例輸出所有的內(nèi)容加深理解：
代碼如下:
#?-*-?coding:?utf-8-*-
#一個簡單的match實例
import?re
#?匹配如下內(nèi)容：單詞+空格+單詞+任意字符
m?=?re.match(r'(w+)?(w+)(?P.*)','hello?world!')
print"m.string:",?m.string
print"m.re:",?m.re
print"m.pos:",?m.pos
print"m.endpos:",?m.endpos
print"m.lastindex:",?m.lastindex
print"m.lastgroup:",?m.lastgroup
print"m.group():",?m.group()
print"m.group(1,2):",?m.group(1,2)
print"m.groups():",?m.groups()
print"m.groupdict():",?m.groupdict()
print"m.start(2):",?m.start(2)
print"m.end(2):",?m.end(2)
print"m.span(2):",?m.span(2)
printr"m.expand(r'g<2>?g<1>g<3>'):",?m.expand(r'2?13')
###output###
#?m.string:?hello?world!
#?m.re:?<_sre.SRE_Pattern?object?at0x016E1A38>
#?m.pos:0
#?m.endpos:12
#?m.lastindex:3
#?m.lastgroup:?sign
#?m.group(1,2):?('hello','world')
#?m.groups():?('hello','world','!')
#?m.groupdict():?{'sign':'!'}
#?m.start(2):6
#?m.end(2):11
#?m.span(2):?(6,11)
#?m.expand(r'2?13'):?world?hello!
2.3. Pattern
Pattern對象是一個編譯好的正則表達式，通過Pattern提供的一系列方法可以對文本進行匹配查找罩抗。
Pattern不能直接實例化拉庵，必須使用re.compile()進行構造，也就是re.compile()返回的對象套蒂。
Pattern提供了幾個可讀屬性用于獲取表達式的相關信息：
pattern: 編譯時用的表達式字符串钞支。
flags: 編譯時用的匹配模式茫蛹。數(shù)字形式。
groups: 表達式中分組的數(shù)量烁挟。
groupindex: 以表達式中有別名的組的別名為鍵婴洼、以該組對應的編號為值的字典，沒有別名的組不包含在內(nèi)撼嗓。
可以用下面這個例子查看pattern的屬性：
代碼如下:
#?-*-?coding:?utf-8-*-
#一個簡單的pattern實例
importre
p?=?re.compile(r'(w+)?(w+)(?P.*)',?re.DOTALL)
print"p.pattern:",?p.pattern
print"p.flags:",?p.flags
print"p.groups:",?p.groups
print"p.groupindex:",?p.groupindex
###?output?###
#?p.pattern:?(w+)?(w+)(?P.*)
#?p.flags:16
#?p.groups:3
#?p.groupindex:?{'sign':3}
最后注意：光理論是不夠的柬采。這里順便送大家一套2020最新PYTHON網(wǎng)絡爬蟲從入門到實踐、Python開發(fā)技術詳解且警，《Python爬蟲開發(fā)與項目實戰(zhàn)》等學習資料警没，需要的小伙伴，添加w?：bjmsb07 即可獲得振湾！
文章到此結束了杀迹，感謝大家的閱讀，希望小伙伴們給個關注押搪，喜歡文章的記得轉(zhuǎn)發(fā)收藏奧树酪！
