正则表达式常用

import re

#---------------------------正则表达式，用于爬取出来的文本进行再次筛选 url  还有其他数据的筛选

# . (任意字符)

# ^ (以前面字符开头)

# $ (以前面字符结尾)

# ? (非贪婪匹配模式，自左向右，默认贪婪匹配模式，自右往左，最大长度匹配)

# 特殊字符 +   出现至少一次

# *    代表多个字符，可以是0

# {2}  限定字符出现次数，2次

# {2,5}  出现2-5次之间  

# |     “或”的关系

# ()     提取字符串里的值，用group(1)”

# []     满足中括号内任意字符的一个

# 区间[0-9] 0到9之间任意出现一个字符、

# 不等于1 [^1] \s 为空格   \S非空格 \w ：大小写字、数字以及下划线，相当于：[A-Za-z0-9_] \W 非\w，[^A-Za-z0-9_]      

# {2，}2次以上

# [\u4E00-\u9FA5]：表示中文汉字；

# \d表示数字，等价于：[0-9]

#----------------------------------

# 自右向左

# 测试  1 .*(b.b).*.      2 .*(b.+*b).*

# line = "boooobaaaooobcbaaby123"

# regex_str = ".*(b.+b).*"

# match_obj = re.match(regex_str, line)

# if match_obj:

#     # group(1) 提取第一个括号的内容   如果是括号里面的括号，就是group(2)

#     print(match_obj.group(1))

#----------------------------------

# 第一个字符满足[abcd]里的任意一个

# line = "coobby123"

# regex_str = "([abcd]oobby123)"

# match_obj = re.match(regex_str, line)

# if match_obj:

#     print (match_obj.group(1))

#-------------------------------

# \u4e00-\u9fa5是用来判断是不是中文

#如果不加问号， .*就会一直贪婪，只给 ([\u4E00-\u9FA5]+大学) 一个，即使有 + 号，显示：京大学

#如果 .* 变成  .*?  就不会这样，会显示南京大学

# 或者不加? ，把+ 改成 {2}，限定2个也可以

# line = 'study in南京大学'

# regex_str=".*([\u4E00-\u9FA5]+大学)"

# match_obj = re.match(regex_str, line)

# if match_obj:

#     print (match_obj.group(1))

#------------------------------ 一个表达式匹配出以下所有的line的年月日

# line="XXX出生于2001年6月"

# # line="XXX出生于2001/6/1"

# # line="XXX出生于2001-6-1"

# # line="XXX出生于2001-06-01"

# # line="XXX出生于2001-06"

# # | 写了3个

# regex_str=".*出生于(\d{4}[年/-]\d{1,2}([月/-]\d{1,2}|[月/-]$|$))"

# match_obj = re.match(regex_str, line)

# if match_obj:

#     print (match_obj.group(1))