python正則表達式簡介

之前未接觸過正則表達式，今日看python網絡爬蟲的源碼，裏面一行正則表達式匹配的代碼初看之下，不是很理解，代碼如下：

myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)

“.*?”這種匹配方式，按理解應該是匹配任意字符0個或多個（re.S模式，“.”可以匹配“\n”），但是這個“？”總覺的在這兒是多餘的，既然不理解，就敲代碼試試：

import re

patern = re.compile('www\..*')
match1 = patern.match("www.baidu.com")
if match1:
    print(match1.group())
else:
    print("match1 don't match")

#output
>>> ==================RESTART =============================
>>> 
www.baidu.com

這個結果，應該說是意料之中，加個“？”呢？

import re

patern = re.compile('www\..*?')
match1 = patern.match("www.baidu.com")
if match1:
    print(match1.group())
else:
    print("match1 don't match")

#output
>>> ==================RESTART =============================
>>> 
www.

竟然是這個結果。。。“.?”一個字符都沒匹配，按“.”、“”、“?”的匹配理解，也就是“*”“？”均匹配前面字符0次，纔會是這個結果，可是爲啥就是0次了？ 
這就是正則表達式貪婪模式和非貪婪模式： 
貪婪模式，總是嘗試匹配儘可能多的字符； 
非貪婪模式則相反，總是嘗試匹配儘可能少的字符。 
Python裏數量詞默認是貪婪的，這就解釋了第一個匹配實驗，輸出結果爲”www.baidu.com”（貪婪模式），也就是說第二個匹配實驗是非貪婪模式，僅僅因爲加了“？”，繼續實驗

import re

patern = re.compile('www\..?')
match1 = patern.match("www.baidu.com")
if match1:
    print(match1.group())
else:
    print("match1 don't match")

#output
>>> ==================RESTART =============================
>>> 
www.b

此次匹配結果，顯然是貪婪模式。奇怪了，也就是“？”的特殊組合纔是非貪婪模式。 
網上搜索得如下說明： 
標準量詞修飾的子表達式，在可匹配可不匹配的情況下，總會先嚐試進行匹配，稱這種方式爲匹配優先，或者貪婪模式。此前介紹的一些量詞，“{m}”、“{m,n}”、“{m,}”、“?”、“*”和“+”都是匹配優先的。 
一些NFA正則引擎支持忽略優先量詞，也就是在標準量詞後加一個“?”，此時，在可匹配可不匹配的情況下，總會先忽略匹配，只有在由忽略優先量詞修飾的子表達式，必須進行匹配才能使整個表達式匹配成功時，纔會進行匹配，稱這種方式爲忽略優先，或者非貪婪模式。忽略優先量詞包括“{m}?”、“{m,n}?”、“{m,}?”、“??”、“*?”和“+?”。 

顯然“*？”的組合是非貪婪模式，猜想正確，原來如此啊。

還有就是， Python   中字符串前面加上 r 表示原生字符串，與大多數編程語言相同，正則表達式裏使用  "\"  作爲轉義字符，這就可能造成反斜槓困擾。假如你需要匹配文本中的字符  "\" ，那麼使用編程語言表示的正則表達式裏將需要4個反斜槓  "\\\\"  ：前兩個和後兩個分別用於在編程語言裏轉義成反斜槓，轉換成兩個反斜槓後再在正則表達式裏轉義成一個反斜槓。Python裏的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用  r"\\"  表示。同樣，匹配一個數字的  "\\d"  可以寫成  r"\d"  。有了原生字符串，你再也不用擔心是不是漏寫了反斜槓，寫出來的表達式也更直觀。
\b   匹配一個單詞邊界，也就是指單詞和空格間的位置。例如，“er\b”可以匹配“never”中的“er”，但不能匹配“verb”中的“er”。   \B   匹配非單詞邊界。“er\B”能匹配“verb”中的“er”，但不能匹配“never”中的“er”。
match()   函數只檢測RE是不是在string的開始位置匹配， search() 會掃描整個 string 查找匹配, 也就是說  match()  只有在0位置匹配成功的話纔有返回，如果不是開始位置匹配成功的話， match()  就返回  none