介紹

正則表達式是一種處理字符串的強大工具，能實現字符串的檢索、替換、匹配驗證等。在爬蟲中，正則表達式主要用於從HTML裏提取所需要的信息

常用的匹配規則

常用方法

match()
向它傳入要匹配的字符串以及正則表達式，就可以檢測這個正則表達式是否匹配字符串。這個方法會從字符串的起始位置開始匹配，如果不匹配，返回None。因為該方法在使用時需要考慮開頭的內容，這在做匹配時並不方便，因此更適合用來判斷某個字符串是否符合某個正則表達式。
示例如下：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
result = re.match('^He.*?(\d+).*Demo$',content)
print(result.group(1))
 

上述代碼涉及到貪婪匹配和非貪婪匹配，這個到後面在介紹
search()
這個方法與上一個方法的不同之處在於，它在匹配時會掃描整個字符串，然後返回第一個成功匹配的結果。換句話說，正則表達式是整個字符串的子串。如果沒有匹配的，就會返回None。

findall()
search()只能返回第一個匹配成功的結果，但有時候我們需要所有結果，這時候就可以用findall()方法了。該方法可以搜索整個字符串，然後返回匹配正則表達式的所有內容。

sub()
這個方法主要是用來修改文本。示例如下：

import re

content = 'fgah32jsehi543dasdf342'
content = re.sub('\d+\, '', content)
print(content)

這裏sub()就是把所有的數字刪除，返回結果為hjsehidasdf
此外，sub()還可以用來刪去字符串中幹擾匹配的字符，以此來簡化匹配
compile()
書上介紹這個方法可以將正則表達式編譯成正則表達式對象，以便在後面的匹配中復用。但我不是很理解正則表達式對象這一說法，如果單純用字符串存正則表達式也不是不可以，這個還有待進一步的探究。

其它

貪婪與非貪婪
貪婪匹配模式下，.會匹配盡可能多的字符，有時候會讓匹配少了一部分內容。非貪婪模式的寫法就是.?。示例如下：

import re

content = 'Hello 1234567 World_This is a Regex Demo'
regex = '^He.*?(\d+).*Demo$'
result1 = re.match('^He.*(\d+).*Demo$', content)
result2 = re.match('^He.*?(\d+).*Demo$', content)
print(result1.group(1))
print(result2.group(1))

返回結果為

7
1234567

從這個代碼中就可以看出貪婪和非貪婪的區別了

修飾符
正則表達式可以包含一些可選標誌修飾符來控制匹配的模式

轉義匹配
正則表達式定義了許多匹配模式，但如果目標字符串裏就包含對應語法的字符，就需要用轉義匹配了。類似於markdown語法，在所需要轉義的字符前加上反斜杠就好。

總結

正則表達式是第三章知識點的最後一節了，以所學的內容應該可以實現基本爬蟲了。我打算明天做一個小項目，按照書上的建議，大概是爬取貓眼電影排行榜吧。

Python爬蟲學習筆記（三）——正則表達式