5.正则表达式

　　第五部分开始，我新写的随笔是从python核心编程上总结的，详细查找可以在书中。

　　正则表达式是在书籍的第一章节。

　　之前写过一些爬虫的程序，所以对这方面还是挺熟悉的。不过既然是笔记就截取点容易忘的，当做笔记了。

　　在python中主要的正则表达式的库是re模块，但是对于爬虫来说，针对html的结构的爬取还有其他更方便的库，例如Xpath等，这在我写的新浪爬虫中都有。

以下贴以下正则的用法：

以上就是一些正则的表达式的意义。

 

特别需要注意的一点是，在匹配特殊字符的时候需要使用转义符号\，比如匹配点时候要用\.，否则就会和上边图中的.所冲突。

以下是re模块中的一些常用的函数：

 

 

还有就是默认情况下，正则表达式将进行贪婪匹配。所谓“贪婪”，其实就是在多种长度的匹配字符串中，选择较长的那一个。例如，如下正则表达式本意是选出人物所说的话，但是却由于“贪婪”特性，出现了匹配不当：

>>> sentence = """You said "why?" and I say "I don't know"."""
>>> re.findall(r'"(.*)"', sentence)
['why?" and I say "I don\'t know']

再比如，如下的几个例子都说明了正则表达式“贪婪”的特性：

>>> re.findall('hi*', 'hiiiii')
['hiiiii']
>>> re.findall('hi{2,}', 'hiiiii')
['hiiiii']
>>> re.findall('hi{1,3}', 'hiiiii')
['hiii']

当我们期望正则表达式“非贪婪”地进行匹配时，需要通过语法明确说明： 

{2,5}? 捕获2-5次，但是优先次数少的匹配

在这里，问号?可能会有些让人犯晕，因为之前他已经有了自己的含义：前面的匹配出现0次或1次。其实，只要记住，当问号出现在表现不定次数的正则表达式部分之后时，就表示非贪婪匹配。 

还是上面的那几个例子，用非贪婪匹配，则结果如下：

>>> re.findall('hi*?', 'hiiiii')
['h']
>>> re.findall('hi{2,}?', 'hiiiii')
['hii']
>>> re.findall('hi{1,3}?', 'hiiiii')
['hi']

另外一个例子中，使用非贪婪匹配，结果如下：

>>> sentence = """You said "why?" and I say "I don't know"."""
>>> re.findall(r'"(.*?)"', sentence)
['why?', "I don't know"]

 

 ？=表示的意义是

这个叫断言，只匹配一个位置
比如，你想匹配一个“人”字，但是你只想匹配中国人的人字，不想匹配法国人的人
就可以用一下表达式
(?=中国)人
所以，表达式与其他通配符连用才能起到效果。
(?=.*[a-z])\d+
这个就表示  匹配以“任意字符连着一个小写字母”开头的数字，只匹配数字。
与之相对的是(?<=exp)这个是放后面的。

另外还需要注意的一点是在字符串前加上r，表示原始字符串，即字符串中的所有符号都表示一个字符，而没有特殊含义。
例如：r'\tss' 输出之后为\ss，而没有r则输出为    ss，即前边一个tab，后边两个ss。

最后，对于想要更深入研究正则表达式的，建议阅读由 Jeffrey E. F. Friedl.编写的
Mastering Regular Expressions