寫爬蟲，不會正則怎麼行？
寫爬蟲，不會正則怎麼行？
1、正則基礎1.1、基礎語法1.2、修飾符1.3、貪婪與懶惰2、正則進階2.1、捕獲分組2.2、零寬斷言2.3、條件匹配2.4、findall結語
導讀：正則在各語言中的使用是有差異的，本文以 Python 3 爲基礎。本文主要講述的是正則的語法，對於 re 模塊不做過多描述，只會對一些特殊地方做提示。
很多人覺得正則很難，在我看來，這些人一定是沒有用心。其實正則很簡單，根據二八原則，我們只需要懂 20% 的內容就可以解決 80% 的問題了。我曾經有幾年幾乎每天都跟正則打交道，剛接手項目的時候我對正則也是一無所知，花半小時百度了一下，然後寫了幾個 demo，就開始正式接手了。三年多時間，我用到的正則鮮有超出我最初半小時百度到的知識的。
1、正則基礎
1.1、基礎語法
（1）常用元字符
語法 描述
b 匹配單詞的開始或結束
d 匹配數字
s 匹配任意不可見字符（空格、換行符、製表符等），等價於[ fnrtv]。
w 匹配任意 Unicode 字符集，包括字母、數字、下劃線、漢字等
. 匹配除換行符（n）以外的任意字符
^ 或 A 匹配字符串或行的起始位置
$ 或 Z 匹配字符串或行的結束位置
（2）限定詞（又叫量詞）
語法 描述
- 重複零次或更多次
- 重複一次或更多次
? 重複零次或一次
{n} 重複 n 次
{n,} 重複 n 次或更多次
{n,m} 重複 n 到 m 次
（3）常用反義詞
語法 描述
B 匹配非單詞的開始或結束
D 匹配非數字
S 匹配任意可見字符， 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
語法 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]（並集）
[a-z&&[def]] d、e 或 f（交集）
[a-z&&3] a 到 z，除了 b 和 c：[ad-z]（減去）
[a-z&&4] a 到 z，減去 m 到 p：[a-lq-z]（減去）
以上便是正則的基礎內容，下面來寫兩個例子看下：
s = '123abc你好'
re.search('d+', s).group()
re.search('w+', s).group()
結果：
123
123abc你好
是不是很簡單？
1.2、修飾符
修飾符在各語言中也是有差異的。
Python 中的修飾符：
修飾符 描述
re.A 匹配 ASCII字符類，影響 w, W, b, B, d, D
re.I 忽略大小寫
re.L 做本地化識別匹配（這個極少極少使用）
re.M 多行匹配，影響 和
re.S 使 . 匹配包括換行符（n）在內的所有字符
re.U 匹配 Unicode 字符集。與 re.A 相對，這是默認設置
re.X 忽略空格和 # 後面的註釋以獲得看起來更易懂的正則。
（1）re.A
修飾符 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()
結果：
123abc
你好
但是描述中還有 d 和 D，數字不都是 ASCII 字符嗎？這是什麼意思？別忘了，還有 全角和半角！
s = '０１２３４５６７８９' # 全角數字
re.search('d+', s, re.U).group()
結果：
０１２３４５６７８９
（2）re.M
多行匹配的模式其實也不常用，很少有一行行規整的數據。
s = 'aaarnbbbrnccc'
re.findall('^[sw]*?$', s)
re.findall('^[sw]*?$', s, re.M)
結果：
['aaarnbbbrnccc'] # 單行模式
['aaar', 'bbbr', 'ccc'] # 多行模式
（3）re.S
這個簡單，直接看個例子。
s = 'aaarnbbbrnccc'
re.findall('^.*', s)
re.findall('^.*', s, re.S)
結果：
['aaar']
['aaarnbbbrnccc']
（4）re.X
用法如下：
rc = re.compile(r"""
d+ # 匹配數字
和字母
[a-zA-Z]+
""", re.X)
rc.search('123abc').group()
結果：
123abc
注意，用了 X 修飾符後，正則中的所有空格會被忽略，包括正則裏面的原本有用的空格。如果正則中有需要使用空格，只能用 s 代替。
（5）(?aiLmsux)
修飾符不僅可以代碼中指定，也可以在正則中指定。(?aiLmsux) 表示了以上所有的修飾符，具體用的時候需要哪個就在 ? 後面加上對應的字母，示例如下，(?a) 和 re.A 效果是一樣的：
s = '123abc你好'
re.search('(?a)w+', s).group()
re.search('w+', s, re.A).group()
結果是一樣的：
123abc
123abc
1.3、貪婪與懶惰
當正則表達式中包含能接受重複的限定符時，通常的行爲是（在使整個表達式能得到匹配的前提下）匹配儘可能多的字符。
s = 'aabab'
re.search('a.*b', s).group() # 這就是貪婪
re.search('a.*?b', s).group() # 這就是懶惰
結果：
aabab
aab
簡單來說：
所謂貪婪，就是儘可能 多 的匹配；
所謂懶惰，就是儘可能 少 的匹配。
*、+、{n,} 這些表達式屬於貪婪；
*?、+?、{n,}? 這些表達式就是懶惰（在貪婪的基礎上加上 ?）。
2、正則進階
2.1、捕獲分組
語法 描述
(exp) 匹配exp，並捕獲文本到自動命名的組裏
(?Pexp) 匹配exp，並捕獲文本到名稱爲 name 的組裏
(?:exp) 匹配exp，不捕獲匹配的文本，也不給此分組分配組號
(?P=name) 匹配之前由名爲 name 的組匹配的文本
注意：在其他語言或者網上的一些正則工具中，分組命名的語法是 (?exp) 或 (?'name'exp)，但在 Python 裏，這樣寫會報錯：This named group syntax is not supported in this regex dialect。Python 中正確的寫法是：(?Pexp)
示例一：
分組可以讓我們用一條正則提取出多個信息，例如：
s = '姓名：張三；性別：男；電話：138123456789'
m = re.search('姓名:：.*?電話:：', s)
if m:
name = m.group(1)
phone = m.group(2)
print(f'name:{name}, phone:{phone}')
結果：
name:張三, phone:13812345678
示例二：
(?Pexp) 有時還是會用到的， (?P=name) 則很少情況下會用到。我想了一個 (?P=name)的使用示例，給大家看下效果：
s = '''
張三
30
138123456789
'''
pattern = r'<(?P.?)>(.?)(?P=name)>'
It = re.findall(pattern, s)
結果：
[('name', '張三'), ('age', '30'), ('phone', '138123456789')]
2.2、零寬斷言
語法 描述
(?=exp) 匹配exp前面的位置
(?<=exp) 匹配exp後面的位置
(?!exp) 匹配後面跟的不是exp的位置
(?注意：正則中常用的前項界定 (?<=exp) 和前項否定界定 (?
(?<=aaa) # 正確
(?<=aaa|bbb) # 正確
(?<=aaa|bb) # 錯誤
(?<=d+) # 錯誤
(?<=d{3}) # 正確
2.3、條件匹配
這大概是最複雜的正則表達式了。語法如下：
語法 描述
(?(id/name)yes|no) 如果指定分組存在，則匹配 yes 模式，否則匹配 no 模式
此語法極少用到，印象中只用過一次。
以下示例的要求是：如果以 _ 開頭，則以字母結尾，否則以數字結尾。
s1 = '_abcd'
s2 = 'abc1'
pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|d)'
re.search(pattern, s1).group()
re.search(pattern, s2).group()
結果：
_abcd
abc1
2.4、findall
Python 中的 re.findall 是個比較特別的方法（之所以說它特別，是跟我常用的 C# 做比較，在沒看註釋之前我想當然的掉坑裏去了）。我們看這個方法的官方註釋：
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.
簡單來說，就是
如果沒有分組，則返回整條正則匹配結果的列表；
如果有 1 個分組，則返回分組匹配到的結果的列表；
如果有多個分組，則返回分組匹配到的結果的元組的列表。
看下面的例子：
s = 'aaa123bbb456ccc'
re.findall('[a-z]+d+', s) # 不包含分組
re.findall('[a-z]+(d+)', s) # 包含一個分組
re.findall('([a-z]+(d+))', s) # 包含多個分組
re.findall('(?:[a-z]+(d+))', s) # ?: 不捕獲分組匹配結果
結果：
['aaa123', 'bbb456']
['123', '456']
[('aaa123', '123'), ('bbb456', '456')]
['123', '456']
零寬斷言中講到 Python 中前項界定必須是定長的，這很不方便，但是配合 findall 有分組時只取分組結果的特性，就可以模擬出非定長前項界定的效果了。
結語
其實正則就像是一個數學公式，會背公式不一定會做題。但其實這公式一點也不難，至少比學校裏學的數學簡單多了，多練習幾次也就會了。
原文地址https://www.cnblogs.com/gl1573/p/11363079.html