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))