【Python3 爬蟲學習筆記】基本庫的使用 8—— 正則表示式 1
阿新 • • 發佈：2018-11-11
三、正則表示式
1.例項引入
開啟開源中國提供的正則表示式測試工具 http://tool.oschina.net/regex/ ，輸入待匹配的文字，然後選擇常用的正則表示式，就可以得出相應的匹配結果。
對於URL來說，可以用下面的正則表示式匹配：
[a-zA-z]+://[^\s]*
用這個正則表示式去匹配一個字串，如果這個字串中包含類似URL的文字，那就會被提取出來。
常用的匹配規則：
| 模式 | 描述 |
|---|---|
| \w | 匹配字母、數字及下劃線 |
| \W | 匹配不是字母、數字及下劃線 |
| \s | 匹配任意空白字元，等價於[\t\n\r\f] |
| \S | 匹配任意非空字元 |
| \d | 匹配任意數字，等價於[0-9] |
| \D | 匹配任意非數字的字元 |
| \A | 匹配字串開頭 |
| \Z | 匹配字串結尾，如果存在換行，只匹配到換行前的結束字串 |
| \z | 匹配字串結尾，如果存在換行，同時還會匹配換行符 |
| \G | 匹配最後匹配完成的位置 |
| \n | 匹配一個換行符 |
| \t | 匹配一個製表符 |
| ^ | 匹配一行字串的開頭 |
| $ | 匹配一行字串的結尾 |
| . | 匹配任意字元，除了換行符，當re.DOTALL標記被指定時，則可以匹配包括換行符的任意字元 |
| […] | 用來表示一組字元，單獨列出，比如[amk]匹配a、m或k |
| [ ^… ] | 不在[]中的字元，比如[ ^abc ]匹配除了a、b、c之外的字元 |
| * | 匹配0個或多個表示式 |
| + | 匹配1個或多個表示式 |
| ？ | 匹配0個或1個前面的正則表示式定義的片段，非貪婪方式 |
| {n} | 精確匹配n個前面的表示式 |
| {n,m} | 匹配n到m次由前面正則表示式的片段，貪婪方式 |
| a | b |
| () | 匹配括號內的表示式，也表示一個組 |
2.match()
match()，向它傳入要匹配的字串以及正則表示式，就可以檢測這個正則表示式是否匹配字串。
match()方法嘗試從字串的起始位置匹配正則表示式，如果匹配，就返回匹配成功的結果；如果不匹配就會返回None。示例如下：
import re
content = 'Hello 123 4567 World_This is a Regex Demo'
print(len(content))
result = re.match('^Hello\s\d\d\d\s\d{4}\s\w{10}', content)
print(result)
print(result.group())
print(result.span())
執行結果：
41
<_sre.SRE_Match object; span=(0, 25), match='Hello 123 4567 World_This'>
Hello 123 4567 World_This
(0, 25)
這裡首先聲明瞭一個字串，其中包含英文字母、空白字元、數學等，然後寫謝了一個正則表示式，用它來匹配這個長字串。開頭的^ 是匹配字串的開頭，也就是以Hello開頭；然後\s匹配空白字元，用來匹配目標字串的空格；\d匹配數字，3個\d匹配123；然後再寫1個\s匹配空格；後面還有4567，可以寫4個\d來匹配，但這樣寫太繁瑣，所以後面可以跟{4}以代表匹配前面的規則4次，也就是匹配4個數字；然後後面再緊接1個空白字元，最後\w{10}匹配10個字母及下劃線。這裡其實並沒有把目標字串匹配玩，不過這樣易燃可以進行匹配，只不過匹配結果短一點而已。
而在match()方法中，第一個引數傳入了正則表示式，第二個引數傳入了要匹配的字串。
根據輸出結果，可以看到結果是SRE_Match物件，這證明成功匹配。該物件有兩個方法：group()方法可以輸出匹配到的內容，結果是Hello 123 4567 Word_This，這恰好是正則表示式所匹配的內容；span()方法可以輸出匹配的範圍，結果是(0,25)，這就是匹配到的結果字串在原字串中的位置範圍。