Python 从零开始爬虫(四)——强大的正则表达式，re模块

摘要：为了逮住某个目标，你可能要写一条长长的，看到自己都头晕的正则表达式，看上去就像乱码一样。屁，学正则还不是迟早的事模块自带模块，直接导入即可。匹配规则规则其实是一个原字符串如表达式表达式，较正式的叫法是模式字符串。

如果把BeautifulSopu比喻成通过线索一步步接近目标的侦探的话，那么正则表达式就是牛逼哄哄的“天眼系统”，只要提供一些目标的特征，无论搜索范围多大，只要存在那么一两个符合特征的目标，全都会被它直接逮住。

BS的爸爸，我告诉你个秘密，其实BeautifulSoup也是用正则实现的，而且它find_all的参数里还能接收正则呢

信息精确定位，BeautifulSoup用的是节点定位，可能会出现多个符合条件的节点（却没有目标信息）；正则是直接针对目标信息，以字符为单位匹配，一次筛选出正确结果（前提是写好正则）

能获取信息的部分，有时候完整的信息不是你想要的，你只想取它的某一部分，正则能搞定，BS只能先获取完整信息再分离。

用途大着呢，不要以为正则只能爬虫，前后端都少不了正则，你填个信息判断是否合法这都是正则，总之学到赚到啊

这么强大的方法是不是看到都心动了，不过强大是有代价的，较难上手很难精通这两根大棒一下子锤走了不少初学者。当时学的我是这样的：

抽象&可读性差。为了逮住某个目标，你可能要写一条长长的，看到自己都头晕的正则表达式，看上去就像乱码一样。举个栗子，如果你要匹配一个ip地址，正则表达式会是这样

匹配ip地址：((?:(?:25[0-5]|2[0-4]d|[01]?d?d).){3}(?:25[0-5]|2[0-4]d|[01]?d?d)) ——真·乱码

编写时出错率高，新手很难一次写对，需要不停地修改几次十几次才能pass（大脑在颤抖）

难于优化，优化好的正则能提高匹配速度，然而你这新手还想优化，能匹配对就很不错了（正则暗中偷笑）

如果有足够的自信和毅力不被正则击倒，那就来吧。（屁，学正则还不是迟早的事！）

python 自带模块，直接导入即可。有匹配，替换等方法。
思考了许久后笔者觉得还是先讲表达式（规则）好，因为某些方法的理解是要了解表达式的。
下文的规则是完全版的，花了很久写成，分享给读者，顺便当成自己的网上笔记。

如果你学正则只是单单用来爬虫的话，你只要熟悉“字符匹配”，“分组&或&转义”，“预定字符集”，“数量词”，“非贪婪模式”和(?:)取消分组，了解（或干脆不学）“边界匹配”，“特殊构造”就行了。

如果你觉得正则是你未来工作的刚需的话，推荐熟悉所有规则。

规则其实是一个原字符串如r"表达式"/r"表达式"，较正式的叫法是模式字符串。最后再说一句，匹配以单个字符为单位（除括号能把多个字符打包成分组（整体）来匹配）


表达式本质是字符串，不要单引（双引）号里套单引（双引）号，会出错。

任一字符(空格也算)——就是匹配这个字符，某些字符因为在正则中有特殊用途需前加反斜杠转义如 [ { . | ( ) ^ * + ? $

.——英文句号，匹配除换行符 外的任意单个字符

[]——匹配中括号里的任一字符，与-结合还能表示范围内的任一字符，中括号内的字符除外会自动转义，还有小心多个中括号嵌套错误

[^]——中括号最前面加^,与[ ]反义,匹配一个不在中括号里的字符，也可以用横杠-

r"[abcd]"#匹配一个a或b或c或d
r"[0-9]"#匹配一个0至9的数，-的作用域是左右各一个字符
r"[a-z]"  r"[A-Z]"#分别匹配a到z或A到Z的一个字母
r"[12-89]"#注意因为是单字符匹配,匹配的是1，2到8的数，9（即1到9的一个数），不是12到89的数
r"[{.|()^*+?$]"#匹配 { . | ( ) ^ * + ? $ 中任一个,要转义
r"[^a-zA-Z]"#匹配一个不是字母的字符

()——括号，表达式分组（第n组，n=1，2，3....99，从左往右数），并形成子表达式

(?P)——拥有括号的功能，但能为该分组再指定一个自定名字

(?P=name)——引用分配过名字的分组，但没有分组功能

|——或，左右规则任意匹配一个，从左往右尝试匹配，一旦成功就跳过后面的规则。|没被包在括号中间的话它的作用域是整个表达式，被包的话作用域在括号内

——反斜杠，后接功能字有符转义功能，后接数字（1到99）有引用分组的功能，后接某些字母又有特殊功能

r"abc|def|ghi"#匹配abc或def或ghi
r"ma(?:k|d)e"#匹配make或made
r"(abc)def1"#相当于r"(abc)defabc",匹配abcdefabc
r"(?Pabc)f(?P=ok)"#为(abc)子组分配了“ok”的名字，然后再引用，匹配abcfabc

d——匹配任一个数字（0~9）

D——匹配一个非数字字符，与d互补

s——匹配一个空白字符，包括空格， , , , ,f,v

S——匹配一个非空白字符

w——匹配一个单词字符。unicode下匹配各种语言的单个字符，单个数字，和下横线。ASCII下匹配单个英文字母，单个数字，和下横线

W——匹配一个非单词字符

r"w" #能匹配"物语&ものがたり"中的：物，语，も，の，が，た，り，汉语日语的单字，其他语言同理

{n}——作用于前一个字符或子表达式，匹配它重复n次

{min,max}——作用于前一个字符或子表达式，匹配它重复重复多少次min~max次，min和max可只写一个设置重复下限或上限，但逗号不能省，不写min时min默认为0

*——星号，作用于前一个字符或子表达式，匹配它零次或多次

+——作用于前一个字符或子表达式，匹配它至少一次

?——作用于前一个字符或子表达式，匹配它零次或一次

r"z{3}"#匹配zzz
r"z{0,3}"#匹配z或zz或zzz
r"(?:abc){2}"#对子表达式匹配两次，匹配abcabc，(?:)是一个用法，不分组的意思，详看后面
#星号加号问号同理

在数量词后接?，对前面的数量词开启非贪婪模式，意思就是在能匹配的前提下尽可能少的重复匹配。

正则默认开启贪婪模式

r"<.+>"#默认贪婪，对于""能匹配到""整条，因为.贪婪地把尖括号也匹配掉了
r"<.+?>"#非贪婪，对于""能匹配到""和""

^——放在表达式的最前面，作用域是表达式，在多行模式中，在每一行匹配字符串开头（多行模式要手动开启，否则和A没什么区别）

$——放在表达式的最后面，作用域是表达式，在多行模式中，在每一行匹配字符串末尾（多行模式要手动开启，否则和没什么区别）

A——放在表达式的最前面，作用域是表达式，匹配字符串开头，不能多行匹配

——放在表达式的最后面，作用域是表达式，匹配字符串末尾，不能多行匹配

——不匹配字符，只匹配一个边界，匹配w和W或W和w的边界（单词字符和非单词字符的边界）

B——不匹配字符，只匹配一个边界，与相反，匹配w和w或W和W的边界

r"^abc|^def"#匹配abc开头或def开头，开启了多行模式时，对字符串"abcd
defh"能匹配出abc，def两个
r"abc$|def$"#匹配abc结尾或def结尾，开启了多行模式时，对字符串"0abc
0def"能匹配出abc，def两个
r"Aabc"#匹配abc开头，因为不能多行匹配，就算开启多行模式，对字符串"abcd
abcd"只能匹配到前面的abc
#同理
r"wW"#匹配“单词字符+非单词字符”的结构如"a!","1%"
#B同理

(?:)——取消括号的分组功能，使其不会被findall方法捕获

(?#)——#后写注释内容，整个(?#)会被忽略

A(?=)——A之后的字符串需要匹配括号里的表达式A才会被匹配,一定用在表达式的最后（A是表达式，(?=)内的表达式不会被匹配捕捉，下同）

A(?!)——A之后的字符串需要不匹配括号里的表达式A才会被匹配，一定用在表达式的最后

(?<=)A——A之前的字符串需要匹配括号里的表达式A才会被匹配，一定用在表达式的最前，括号内的表达式需固定长度不能使用除{n}外的数量词

(?——A之前的字符串需要不匹配括号里的表达式A才会被匹配，一定用在表达式的最前，括号内的表达式需固定长度不能使用除{n}外的数量词

r"(ab(?=cde))"#匹配后面是bcd的ab
r"a(?!d+)"#匹配后面不跟一串数字的a，后括号可用所有数量词
r"(?<=abc)de"#匹配前面是abc的de
r"(?




(?iLmsux)——放在表达式最前面，为所在的表达式设置模式，”i”, “L”, “m”, “s”, “u”, “x”，它们不匹配任何字串，对应python中re模块当中的(re.I, re.L, re.M, re.S, re.U, re.X)的6种模式,下面flag参数讲
r"(?i)abc"#“i”对应re.I，忽略大小写模式，能匹配Abc，ABC，abc等


方法&参数
相比于繁杂的规则，方法则要简单多了，常用的就这几个：


re.search(pattern,string,flags=0),返回第一个匹配的match对象（内含匹配字符串的信息）

re.findall(pattern,string,flags=0),返回所有匹配分组的字符串组成的列表，没设置分组相当于整个表达式就是一个分组
#如果表达式有多个分组，会返回复杂的列表，因此findall中的表达式通常只有一个分组

re.finditer(pattern,string,flags=0)，同findall功能，但是返回的是迭代器
re.findall(r"d+(abc)d+","1abc1,2abc2")#分组为(abc),findall只捕捉被数字包起来的abc返回列表["abc","abc"]
re.findall(r"((?:ab){2}d)d","abab11,abab22")#整个表达式匹配abab加一个两位数，(?:)取消了ab的分组,findall只捕捉abab加一个数，返回列表["abab1","abab2"]

pattern = re.compile(pattern,flags=0),把规则打包返回（如多次使用该规则），相当与pattern和flag的合体，当成pattern使用可免去设置flags

re.sub(pattern,repl,string,count=0,flags)把匹配到的部分用指定字符串repl替换，count设置替换次数，默认为零替换所有

参数：


pattern：接收模式字符串，即表达式，也可以接收打包的规则

string：接收待匹配字符串，如html文档

flags：模式（标签），接受以下模式，多个模式用“|”分开如 flags=re.I|re.M

re.I = re.IGNORECASE   忽略大小写
re.L = re.LOCALE       支持当前语言,为了支持多语言版本的字符集使用环境
re.U = re.UNICODE      使用w,W,b,B这些元字符时将按照UNICODE定义的属性
re.M = re.MULTILINE    开启多行模式
re.S = re.DOTALL       使.能匹配换行符

re.X = re.VERBOSE      可以忽略正则表达式中的空白和#号的注释,不匹配空格和#注释
re.A     开启ASCII模式



match对象方法
列出常用方法，下面的match是对象


match.group(id/name)id是分组序号（1~99）,name是分组的自定名字，返回指定分组的字符串；不传参数数是返回整条匹配字符串

match.start(id/name),match.end(id/name),match.span(id/name),分别返回指定分组字符串在整个字符串中的开始位置，结束位置，范围。



地狱之旅到这就结束了，不仅是读者的，还是我的,お疲れ
文章过长，可能存在某些瑕疵和错误，欢迎提出
累成苟，最近而且要忙于学习，又被P大学事件恶心了一下，接下来的产能会下降，估计一个星期多一点更一次
正则慢慢学就行，正则的使用后面会有实例让大家熟悉