写爬虫，不会正则怎么行？
写爬虫，不会正则怎么行？
写爬虫，不会正则怎么行？
1、正则基础1.1、基础语法1.2、修饰符1.3、贪婪与懒惰2、正则进阶2.1、捕获分组2.2、零宽断言2.3、条件匹配2.4、findall结语
导读：正则在各语言中的使用是有差异的，本文以 Python 3 为基础。本文主要讲述的是正则的语法，对于 re 模块不做过多描述，只会对一些特殊地方做提示。
很多人觉得正则很难，在我看来，这些人一定是没有用心。其实正则很简单，根据二八原则，我们只需要懂 20% 的内容就可以解决 80% 的问题了。我曾经有几年几乎每天都跟正则打交道，刚接手项目的时候我对正则也是一无所知，花半小时百度了一下，然后写了几个 demo，就开始正式接手了。三年多时间，我用到的正则鲜有超出我最初半小时百度到的知识的。
1、正则基础
1.1、基础语法
（1）常用元字符
语法 描述
b 匹配单词的开始或结束
d 匹配数字
s 匹配任意不可见字符（空格、换行符、制表符等），等价于[ fnrtv]。
w 匹配任意 Unicode 字符集，包括字母、数字、下划线、汉字等
. 匹配除换行符（n）以外的任意字符
^ 或 A 匹配字符串或行的起始位置
$ 或 Z 匹配字符串或行的结束位置
（2）限定词（又叫量词）
语法 描述
- 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
（3）常用反义词
语法 描述
B 匹配非单词的开始或结束
D 匹配非数字
S 匹配任意可见字符， 1
W 匹配任意非 Unicode 字符集
2 除 a、b、c 以外的任意字符
（4）字符族
语法 描述
[abc] a、b 或 c
2 除 a、b、c 以外的任意字符
[a-zA-Z] a 到 z 或 A 到 Z
[a-d[m-p]] a 到 d 或 m 到 p，即 [a-dm-p]（并集）
[a-z&&[def]] d、e 或 f（交集）
[a-z&&3] a 到 z，除了 b 和 c：[ad-z]（减去）
[a-z&&4] a 到 z，减去 m 到 p：[a-lq-z]（减去）
以上便是正则的基础内容，下面来写两个例子看下：
s = '123abc你好'
re.search('d+', s).group()
re.search('w+', s).group()
结果：
123
123abc你好
是不是很简单？
1.2、修饰符
修饰符在各语言中也是有差异的。
Python 中的修饰符：
修饰符 描述
re.A 匹配 ASCII字符类，影响 w, W, b, B, d, D
re.I 忽略大小写
re.L 做本地化识别匹配（这个极少极少使用）
re.M 多行匹配，影响 和
re.S 使 . 匹配包括换行符（n）在内的所有字符
re.U 匹配 Unicode 字符集。与 re.A 相对，这是默认设置
re.X 忽略空格和 # 后面的注释以获得看起来更易懂的正则。
（1）re.A
修饰符 A 使 w 只匹配 ASCII 字符，W 匹配非 ASCII 字符。
s = '123abc你好'
re.search('w+', s, re.A).group()
re.search('W+', s, re.A).group()
结果：
123abc
你好
但是描述中还有 d 和 D，数字不都是 ASCII 字符吗？这是什么意思？别忘了，还有 全角和半角！
s = '０１２３４５６７８９' # 全角数字
re.search('d+', s, re.U).group()
结果：
０１２３４５６７８９
（2）re.M
多行匹配的模式其实也不常用，很少有一行行规整的数据。
s = 'aaarnbbbrnccc'
re.findall('^[sw]*?$', s)
re.findall('^[sw]*?$', s, re.M)
结果：
['aaarnbbbrnccc'] # 单行模式
['aaar', 'bbbr', 'ccc'] # 多行模式
（3）re.S
这个简单，直接看个例子。
s = 'aaarnbbbrnccc'
re.findall('^.*', s)
re.findall('^.*', s, re.S)
结果：
['aaar']
['aaarnbbbrnccc']
（4）re.X
用法如下：
rc = re.compile(r"""
d+ # 匹配数字
和字母
[a-zA-Z]+
""", re.X)
rc.search('123abc').group()
结果：
123abc
注意，用了 X 修饰符后，正则中的所有空格会被忽略，包括正则里面的原本有用的空格。如果正则中有需要使用空格，只能用 s 代替。
（5）(?aiLmsux)
修饰符不仅可以代码中指定，也可以在正则中指定。(?aiLmsux) 表示了以上所有的修饰符，具体用的时候需要哪个就在 ? 后面加上对应的字母，示例如下，(?a) 和 re.A 效果是一样的：
s = '123abc你好'
re.search('(?a)w+', s).group()
re.search('w+', s, re.A).group()
结果是一样的：
123abc
123abc
1.3、贪婪与懒惰
当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。
s = 'aabab'
re.search('a.*b', s).group() # 这就是贪婪
re.search('a.*?b', s).group() # 这就是懒惰
结果：
aabab
aab
简单来说：
所谓贪婪，就是尽可能 多 的匹配；
所谓懒惰，就是尽可能 少 的匹配。
*、+、{n,} 这些表达式属于贪婪；
*?、+?、{n,}? 这些表达式就是懒惰（在贪婪的基础上加上 ?）。
2、正则进阶
2.1、捕获分组
语法 描述
(exp) 匹配exp，并捕获文本到自动命名的组里
(?Pexp) 匹配exp，并捕获文本到名称为 name 的组里
(?:exp) 匹配exp，不捕获匹配的文本，也不给此分组分配组号
(?P=name) 匹配之前由名为 name 的组匹配的文本
注意：在其他语言或者网上的一些正则工具中，分组命名的语法是 (?exp) 或 (?'name'exp)，但在 Python 里，这样写会报错：This named group syntax is not supported in this regex dialect。Python 中正确的写法是：(?Pexp)
示例一：
分组可以让我们用一条正则提取出多个信息，例如：
s = '姓名：张三；性别：男；电话：138123456789'
m = re.search('姓名:：.*?电话:：', s)
if m:
name = m.group(1)
phone = m.group(2)
print(f'name:{name}, phone:{phone}')
结果：
name:张三, phone:13812345678
示例二：
(?Pexp) 有时还是会用到的， (?P=name) 则很少情况下会用到。我想了一个 (?P=name)的使用示例，给大家看下效果：
s = '''
张三
30
138123456789
'''
pattern = r'<(?P.?)>(.?)(?P=name)>'
It = re.findall(pattern, s)
结果：
[('name', '张三'), ('age', '30'), ('phone', '138123456789')]
2.2、零宽断言
语法 描述
(?=exp) 匹配exp前面的位置
(?<=exp) 匹配exp后面的位置
(?!exp) 匹配后面跟的不是exp的位置
(?注意：正则中常用的前项界定 (?<=exp) 和前项否定界定 (?
(?<=aaa) # 正确
(?<=aaa|bbb) # 正确
(?<=aaa|bb) # 错误
(?<=d+) # 错误
(?<=d{3}) # 正确
2.3、条件匹配
这大概是最复杂的正则表达式了。语法如下：
语法 描述
(?(id/name)yes|no) 如果指定分组存在，则匹配 yes 模式，否则匹配 no 模式
此语法极少用到，印象中只用过一次。
以下示例的要求是：如果以 _ 开头，则以字母结尾，否则以数字结尾。
s1 = '_abcd'
s2 = 'abc1'
pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|d)'
re.search(pattern, s1).group()
re.search(pattern, s2).group()
结果：
_abcd
abc1
2.4、findall
Python 中的 re.findall 是个比较特别的方法（之所以说它特别，是跟我常用的 C# 做比较，在没看注释之前我想当然的掉坑里去了）。我们看这个方法的官方注释：
Return a list of all non-overlapping matches in the string.
If one or more capturing groups are present in the pattern, return
a list of groups; this will be a list of tuples if the pattern
has more than one group.
Empty matches are included in the result.
简单来说，就是
如果没有分组，则返回整条正则匹配结果的列表；
如果有 1 个分组，则返回分组匹配到的结果的列表；
如果有多个分组，则返回分组匹配到的结果的元组的列表。
看下面的例子：
s = 'aaa123bbb456ccc'
re.findall('[a-z]+d+', s) # 不包含分组
re.findall('[a-z]+(d+)', s) # 包含一个分组
re.findall('([a-z]+(d+))', s) # 包含多个分组
re.findall('(?:[a-z]+(d+))', s) # ?: 不捕获分组匹配结果
结果：
['aaa123', 'bbb456']
['123', '456']
[('aaa123', '123'), ('bbb456', '456')]
['123', '456']
零宽断言中讲到 Python 中前项界定必须是定长的，这很不方便，但是配合 findall 有分组时只取分组结果的特性，就可以模拟出非定长前项界定的效果了。
结语
其实正则就像是一个数学公式，会背公式不一定会做题。但其实这公式一点也不难，至少比学校里学的数学简单多了，多练习几次也就会了。
原文地址https://www.cnblogs.com/gl1573/p/11363079.html
