Python网络爬虫（七）：Python中的正则表达式教程

一、 正则表达式基础 1.1.概念介绍

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。下图展示了使用正则表达式进行匹配的流程：

正则表达式的大致匹配过程是：

1.依次拿出表达式和文本中的字符比较，

2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

3.如果表达式中有量词或边界，这个过程会稍微有一些不同。 下图列出了Python支持的正则表达式元字符和语法：

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。 贪婪模式，总是尝试匹配尽可能多的字符；

非贪婪模式则相反，总是尝试匹配尽可能少的字符。 Python里数量词默认是贪婪的。

例如：正则表达式\如果用于查找\，将找到\。 而如果使用非贪婪的数量词\，将找到\。 1.3. 反斜杠的问题

与大多数编程语言相同，正则表达式里使用\作为转义字符，这就可能造成反斜杠困扰。

假如你需要匹配文本中的字符\，那么使用编程语言表示的正则表达式里将需要4个反斜杠\：

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠， 转换成两个反斜杠\\\\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠\\。

这样显然是非常麻烦的。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r\表示。

同样，匹配一个数字的\可以写成r\。

有了原生字符串，妈妈再也不用担心我的反斜杠问题~ 二、 介绍re模块 2.1. Compile

Python通过re模块提供对正则表达式的支持。 使用re的一般步骤是：

Step1：先将正则表达式的字符串形式编译为Pattern实例。

Step2：然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。

Step3：最后使用Match实例获得信息，进行其他的操作。 我们新建一个re01.py来试验一下re的应用：

[python] view plaincopy 1. # -*- coding: utf-8 -*-

2. #一个简单的re实例，匹配字符串中的hello字符串 3.

4. #导入re模块 5. import re 6.

7. # 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串” 8. pattern = re.compile(r'hello') 9.

10. # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None 11. match1 = pattern.match('hello world!') 12. match2 = pattern.match('helloo world!') 13. match3 = pattern.match('helllo world!') 14.

15. #如果match1匹配成功 16. if match1:

17. # 使用Match获得分组信息 18. print match1.group() 19. else: