python网络爬虫开发：正则表达式的学习
学习爬虫的过程中，正则表达式能够帮助我们根据某些复杂的规则去处理复杂的字符串，它是一个特殊的字符序列，在Python中，系统自带的re模块包含了正则表达式的全部功能，下面我们进入正则表达式的学习。
1. 元字符
正则表达式的结构由普通字符和元字符组成，普通字符就是我们日常使用的文本字符，而元字符有它特定的含义，具有匹配信息的功能。
常用的正则表达式元字符如下表格：
| 元字符 | 功能 |
| \ | 转义符，表示位于‘\’之后的为转义字符。 |
| . | 任意一个字符 |
| ? | 匹配‘?’前面的字符一次或零次 |
| + | 匹配‘+’前面的字符一次或多次 |
| * | 匹配‘*’前面的字符零次或多次 |
| - | 用在[]之内用来表示范围 |
| ^ | 匹配行首，匹配以^后面的字符开头的字符串 |
| $ | 匹配行尾，匹配以$之前的字符结束的字符串 |
| () | 定义分组 |
| [] | 定义字符类 |
| {} | 定义量词 |
| | | 选择符号，或关系 |
| \b | 匹配单词头或单词尾 |
| \B | 与\b相反 |
| \d | 匹配任何数字，相当于[0-9] |
| \D | 与\d相反 |
| \s | 匹配任何空白字符 |
| \S | 与\s相反 |
| \w | 匹配任何字母、数字以及下划线，相当于[a-zA-Z0-9] |
| \W | 与\w相反 |
| \z | 匹配字符串结束 |
| \G | 匹配最后完成的位置 |
| \A | 匹配字符串开始 |
2. 元字符功能
1) 字符类[]
例如在一个列表中有‘apython’、‘bpython’、‘cpython’、‘dotcpp’四个元素，我们使用‘[abc]python’可以直接匹配到前面三个元素。
2) [a-zA-Z0-9]
这个可以匹配一个任意大小写字母或者数字，等同于\w。
3) 重复 {}
如果我们使用{n},即‘pyt{}on’，只能匹配到python，使用{n,}可以匹配至少n次，使用{n,m}可以匹配至少n次，最多m次。
4) 开始于结束字符
使用‘^’和‘$’可以匹配一行字符串的开始和结束。
5) a|b
可以匹配a或者b。
6) 匹配出现次数
语法格式如下：
|
1
2
3
4
|
import res = '1234567'p1 = r'\d?'print(re.search(p1,s)) |
可以改为\d*或\d{2,3}或d+等来进行匹配。
输出结果为：
|
1
|
<re.Match object; span=(0, 1), match='1'> |
由于‘？’为匹配0次或一次，所以匹配了出现数字一次。
3. 总结
本节我们主要总结了正则表达式里的元字符及几种常用的功能，这些元字符在我们后续的学习中会涉及到，大家可以回过头来参考本节的内容。
THE END
