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