當我們從HTML text中提取信息時，可以發現很多信息都是有規律的，比如我們要獲得網頁鏈接url、提取網頁中的IP、查詢具有某種規律的字符串。正則表達式就是用於匹配具有某種規律的字符串而產生的，換句話說，正則表達式就是記錄文本規則的代碼。
一、正則表達式介紹
正則表達式：regular expression (RE)
正則表達式是用來簡介表達一組字符串的表達式。
用途：表達文本類型的特徵、同時查找替換一組字符串、匹配字符串的部分或全部
二、正則表達式語法
常用的元字符：匹配數字、英文字母、空格等字符
| 字符 | 描述 |
|---|---|
| . | 匹配除換行符外的任意字符 |
| \w | 匹配字母、數字、下劃線或漢字，等價於[A-Za-z0-9] |
| \s | 匹配任意的空白符(space) |
| \d | 匹配數字(digit) |
| \b | 匹配字符串的開始或結束 |
| ^ | 匹配字符串的開始 |
| $ | 匹配字符串的結束 |
常用的限定符：指定重複次數
| 語法 | 描述 |
|---|---|
| ? | 前一字符0次/1次重複 |
| + | 前一字符1次或多次重複 |
| * | 前一字符任意次數重複 |
| {n} | 擴展前一字符n次 |
| {n, } | 擴展前一字符n次或更多次 |
| {m, n} | 擴展前一字符m 到 n次 |
常用反義代碼：排除某些字符
| 語法 | 描述 |
|---|---|
| \W | 匹配非字母、數字、下劃線或漢字的字符 |
| \S | 匹配任意不是空白符的字符 |
| \D | 匹配任意非數字的字符 |
| \B | 匹配非單詞開否/結尾的位置 |
| [^x] | 匹配除了x意外的字符 |
| [^abc] | 匹配非a非b非c的單個字符 |
其他常用的操作符
| 操作符 | 描述 |
|---|---|
| \ | 轉義字符，如\*匹配* ，\\匹配\ |
| [] | 字符集，對某個字符給出取值範圍 |
| | | 左右表達式任意一個 abc|cba 表示abc或cba |
| () | 分組標記，內部只能有 | |
貪婪匹配 與 最小匹配：
貪婪：正則表達式儘可能匹配更多的字符，如：用a.b匹配aabab將得到aabab
懶惰：需要儘可能少的匹配，可以在它後面加上一個問號?。如：用a.?b取匹配aabab得到aab
| 語法 | 描述 |
|---|---|
| *? | 重複若以此，但儘可能少重複 |
| +? | 重複1次或更多次，但儘可能少重複 |
| ?? | 重複0或1次，但儘可能少重複 |
| {n, m}? | 重複n到m次，但儘可能少重複 |
| {n, }? | 重複n次以上，但儘可能少重複 |
三、正則表達式運算符的優先級
正則表達式從左到右進行運算，並遵循優先級順序。不同優先級運算時先高後低。
運算符優先級表
| 運算符 | 描述 |
|---|---|
| \ | 轉義符 |
| (), (?: ), (?=), [] | 圓括號與方括號 |
| *, +, ?, {n}, {n, m} | 限定符 |
| ^, $, \如何元字符、如何字符 | 位置和字符匹配 |
| | | 或操作 |
四、正則表達式舉例
easy：
| RE | strings |
|---|---|
| python+ | “python”, “pythonn” “pythonnn”… |
| py[th]on | “pyton”, “pyhon” |
| py[^t]?hon | “pyhon”, “pyahon”, “pybhon”… |
| py{:2}thon | “pthon”, “pyhon”, “pyython” |
complex：
| RE | strings |
|---|---|
| 2[0-4]\d | 匹配數字字符串200-249 |
| ^[A-Za-z]+& | 英文字母字符串 |
| ^-?\d+& | 整數字符串（正負數） |
| ^[1-9][1-9]*$ | 正整數字符串 |
| [\u4e00-\u9fa5] | 匹配中文字符 |
| \d{3}-\d{8}|\d{4}-\d{7} | 電話號碼：0731-6666666 |
第七篇python爬蟲學習筆記完結啦 cheers 🍻🍻
ps：正則表達式30分鐘入門
參考內容：https://www.bilibili.com/video/av9784617/?p=39