前言

如果說什么是我學習編程來最好用顾稀，最常用的知識點苟呐，那應該就是正則表達式了痒芝。嚴謹?shù)恼f，正則表達式并不是一門編程語言牵素，也不是為了一種編程語言而服務的知識严衬。但他確實足夠好用，應用也足夠廣泛笆呆。

例如可以在文本中提取規(guī)則的電話號碼请琳，電子郵箱。
在office中的通配符也是正則表達式哦赠幕，這樣在office中做規(guī)則的搜索和替換俄精，也是能極高的提升工作效率。

正則表達式在爬蟲中也經常使用到榕堰，例如只需要簡單的幾行代碼竖慧，就可以獲取h1標簽下的所有內容。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(.*?)</h1>', html)
print(content)

#result [' test1 ', ' test2 ', ' test3 ']

那正則表達式到底是什么逆屡，又該如何使用圾旨，為什么我們爬蟲中老是使用(.*?)，它到底起到了什么作用魏蔗，這篇文章就詳細告訴你砍的。

什么是正則表達式

正則表達式(regular expression)描述了一種字符串匹配的模式（pattern），聽起來確實不是很好理解莺治。

我們從這個定義中抽出三個關鍵詞：

• 字符串：這個定義了使用的對象挨约，也就是文本。
• 匹配：定義了用途产雹，用于查找定位诫惭。
• 模式：模式其實就是規(guī)則，這就是正則表達式的核心蔓挖，這里的規(guī)則是人為定義好的夕土，可以是字符，數(shù)字和字母。

所以用大白話來說怨绣，正則表達式就是一些人為定義的規(guī)則角溃，進行組合，使其具有快速匹配字符串的功能篮撑。

元字符

前面說到正則表達式就是一些定義好的規(guī)則的組合减细，這個規(guī)則背后就是元字符。

元字符有很多赢笨，我們按用途將他們分為5類未蝌，便于理解和使用。

• 集合：[ ]
• 次數(shù)：表示次數(shù)：* + ? {}
• 并列：|
• 提燃攵省：()
• 特定意義符號：. ^ $ \b\B

本篇文章的實例都在該網站上在線驗證：https://regex101.com/
（1）集合（[ ]）
[ ]表示匹配所包含的任意一個字符萧吠，例如[Pp]ython，就能匹配Python和python桐筏。

在集合中使用-纸型，可以匹配一個范圍內的字符，例如[a-z]可以匹配a到z任意一個字符梅忌。

使用 ^ 可以匹配補集狰腌，例如[^p]ython，就能匹配除了p之外的字符牧氮。

（2）次數(shù)字符
上面的正則表達式只能匹配一個字符癌别，這時你就需要次數(shù)相關的字符。

• * 表示后面可跟 0 個或多個字符
• + 表示后面可跟 1 個或多個字符
• ? 表示后面可跟 0 個或 1 個字符
• {n,m}表示后面可跟n到m個字符

例如，匹配11個字符的電話號碼。

這個使用方法很簡單蔗彤，大家多練習使用即可。但這里有一個很重要的知識點需要和大家講解下圾笨。那就是貪婪模式和非貪婪模式。

以*為例逊谋，它可以匹配0個或多個字符擂达，那到底是匹配多少個字符了？貪婪模式就是保證匹配成功的情況下胶滋，盡可能多的匹配板鬓，非貪婪模式則反之。默認情況下是貪婪模式究恤，如果需要切換為非貪婪模式俭令，就需要在*后面加上？號部宿。

以<h1>test</h1>為例抄腔，如果我們使用<.*>瓢湃，就會匹配到<h1>test</h1>（.是匹配除換行符之外的任何單個字符）。

如果使用<.*?>赫蛇，就會匹配到<h1>和</h1>绵患。

（3）并列（|）
并列字符很好理解，當需要匹配兩個字符中的一個的時候悟耘，就用|落蝙。A|B，匹配到了A暂幼，就不會查找B筏勒。

這里就是匹配到的就是c或者是python。

（4）提取()
如果需要把匹配的字符串提取出來粟誓，就需要使用小括號。這主要使用在編程中起意，對數(shù)據(jù)的提取鹰服。正如前面的爬蟲代碼，用上括號后揽咕，就能將h1標簽中的內容提取出來悲酷。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(.*?)</h1>', html)
print(content)

#result [' test1 ', ' test2 ', ' test3 ']

在 () 中最前面加入 ?:，代表只匹配不獲惹咨啤（non-capturing）设易。

import re
html = '''
<h1> test1 </h1>
<h1> test2 </h1>
<h1> test3 </h1>
'''
content = re.findall('<h1>(?:.*?)</h1>', html)
print(content)

#result ['<h1> test1 </h1>', '<h1> test2 </h1>', '<h1> test3 </h1>']

其實這里的?:是是非捕獲元之一，還有兩個非捕獲元是 ?= 和 ?!蛹头，前者為正向預查顿肺，后者為負向預查。這兩個又衍生出?<=和?<!渣蜗。接下來我們就看看他們的具體使用方法吧屠尊。

A(?=B)，匹配符合B條件的A耕拷；(?<=B)A讼昆，匹配符合B條件的A。前者是匹配的是括號前面的骚烧，后者匹配的是后面的浸赫。

windows(?=7|xp|2000|10)，能匹配windows7赃绊，windowsxp既峡，windows2000，windows10前的windows碧查。

A(?!B)涧狮，匹配不符合B條件的A；(?<!B)A，匹配不符合B條件的A者冤。前者是匹配的是括號前面的肤视，后者匹配的是后面的。

（5）特定意義符號
就是說固定的寫法來代表特定的意義涉枫，例如\d代表的就是匹配一個數(shù)字字符邢滑，等同于[0-9]。

以下就是常用的特定意義符號：

\為轉義字符寻狂，例如\*，就可以匹配*本身朋沮。

修飾符（可選標記）

學完前面的元字符后蛇券，就算是完成了大部分正則表達式的知識點了，也能獨立使用正則表達式來完成日常工作了樊拓。之前的截圖中纠亚，可以看到gm，他們其實是修飾符筋夏。

修飾符不寫在正則表達式里蒂胞，標記位于表達式之外，我們來看下他們代表的意義条篷。

這期分享都到這了，下期我們講正則表達式在日常工作中的使用案例姚炕。