4.1 正则表达式常用符号

4.1.1 一般字符

正则表达式的一般字符有3个，如下表所示。

字符	含义
.	匹配任意单个字符（不包括换行符\n）
\	转义字符（把有特殊含义的字符转换成字面意思）
[...]	字符集。对应字符串集中的任意字符

 

 

 

 

 

 

 

说明：

⑴“.”字符为匹配任意单个字符。例如，a.b可以的匹配的结果为abc、aic、a&c等，但不包括换行符。

⑵“\”字符为转义字符，可以把字符改变为原来的意思。听上去不是很好理解，例如“.”字符是匹配任意的单个字符，但有时不需要这个功能，只想让它代表一个点，这时就可以使用“\.”，就能匹配为“.”了。

⑶[...]为字符集，相当于在中括号中任选一个。例如a[bcd]，匹配的结果为ab、ac和ad。

4.1.2 预定义字符集

正则表达式预定义字符集有6个，如下表所示。

预定义字符集	含义
\d	匹配一个数字字符。等价于[0-9]
\D	匹配一个非数字字符。等价于[^0-9]
\s	匹配任何空白字符，包括空格、制表符、换页符等。等价于[\f\n\r\t\v]
\S	匹配任何非空白字符。等价于[^\f\n\r\t\v]
\w	匹配包括下画线的任何单词字符。等价于'[A-Za-z0-9]'
\W	匹配任何非单词字符。等价于'[^A-Za-z0-9]'

 

 

 

 

 

 

 

正则表达式的预定义字符集易于理解，在爬虫实战中，常常会匹配数字而过滤掉文字部分的信息。例如“字数3450”，只需要数字信息，可以通过“\d+”来匹配数据，“+”为数量词，匹配前一个字符1或无限次，这样便可以匹配到所有的数字，数量词将在4.1.3节中详细讲解。

4.1.3 数量词

正则表达式中的数量词列表如表所示。

数量词	含义
*	匹配前一个字符0或无限次
+	匹配前一个字符1或无限次
？	匹配前一个字符0或1次
{m}	匹配前一个字符m次
{m,n}	匹配前一个字符m至n次

 

 

 

 

 

说明：

⑴“*”数量词匹配前一个字符0或无限次。例如，ab*c匹配ac、abc、abbc和abbbc等。

⑵“+”与“*”很类似，只是至少匹配前一个字符一次。例如，ab+c匹配abc、abbc和abbbc等。

⑶“?”数量词匹配前一个字符0或1次。例如，ab?c匹配ac和abc。

⑷“{m}”数量词匹配前一个字符m次。例如，ab{3}c匹配abbbc。

⑸“{m,n}”数量词匹配前一个字符m至n次。例如，ab{1,3}c匹配abc、abbc和abbbc。

4.1.4 边界匹配

边界匹配的关键符号如下表所示。

边界匹配	含义
^	匹配字符串开头
$	匹配字符串结尾
\A	仅匹配字符串开头
\Z	仅匹配字符串结尾

 

 

 

 

说明：

⑴“^”匹配字符串的开头。例如，^abc匹配abc开头的字符串。

⑵“$”匹配字符串的结尾。例如，abc$匹配abc结尾的字符串。

⑶“\A”匹配字符串的开头。例如，\Aabc

⑷“\Z”匹配字符串的结尾。例如，abc\Z

边界匹配在爬虫实战中的使用比较少，因为爬虫提取的数据大部分为标签中的数据，例如<span class="stats-vote"><i class="number">186</i>好笑</span>中提取数字信息，边界匹配在这里没有任何作用。

最后介绍爬虫实战中常用的（.*?），“()”表示括号的内容作为返回结果，“.*?”是非贪心算法，匹配任意的字符。例如，字符串‘xxIxxjshdxxlovexxsffaxxpythonxx’，可以通过'xx(.*?)xx'匹配符合这种规则的字符串，代码如下：

import re
a = 'xxIxxjshdxxlovexxsffaxxpythonxx'
infos = re.findall('xx(.*?)xx',a)      #findall方法返回的为列表结构
print(infos)

程序运行结果如图所示。