稳扎稳打学爬虫04—正则表达式详解

1、简介

正则表达式(Regular Expression)是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。是一种使用表达式的方式对字符串进行匹配的语法规则。

2、语法

使用元字符进行排列组合用来匹配字符串

3、在线测试 3.1 oschina

https://tool.oschina.net/regex

3.2 菜鸟编程

https://c.runoob.com/front-end/854/

4、元字符

元字符：具有固定含义的特殊字符 常用元字符：

符号 含义 符号 含义 . 匹配除换行符以外的任意字符 \w 匹配字母或数字或下划线 \W 匹配非字母或数字或下划线 \d 匹配数字 \D 匹配非数字 \s 匹配任意的空白符 \S 匹配非空白符 \n 匹配一个换行符 \t 匹配一个制表符 ^ 匹配字符串的开始 $ 匹配字符串的结尾 a|b 匹配字符a或字符b ( ) 匹配括号内的表达式，也表示一个组 […] 匹配字符组中的字符 [^…] 匹配除了字符组中的字符之外的所有字符 5、量词

控制前面的元字符出现的次数

符号 含义 * 重复零次或更多次 + 重复一次或更多次 ？ 重复零次或一次 {n} 重复n次 {n,} 重复n次或更多次 {n,m} 重复n到m次 6、贪婪匹配和惰性匹配 符号 含义 .* 贪婪匹配 .*? 惰性匹配 在爬虫的编写过程中，我们使用最多的就是惰性匹配

某位大佬写的文章很详细 Python正则表达式指南

7、案例 7.1 匹配数字

s = '123abe123中国馆的' re_pat = '\d' #模式，提取数字 re.findall(re_pat,s) 

7.2 匹配英文

re_pat = '[A-z]+' #提取英文字母 re.findall(re_pat,s) # 返回值为列表形式 

7.3 匹配中文

re_pat = '[\u4c00-\u9fa5]+' #提取中文，括起来的是中文编码 re.findall(re_pat,s) # 返回值为列表形式 

7.4 点

7.5 点+星