爬虫：正则表达式

正则表达式

regular expression regex RE

正则表达式是用来简洁表达一组字符串的表达式

‘PY’   ‘PYY’  'PYYY'  'PYYYY' 可表示为PY+

'PY'开头 ，后续存在不多于10个字符

后续字符不能是‘P’或‘Y’     可用正则表达式表示：PY[^PY]{0,10}

 

正则表达式

*通用的字符串表达框架

*简洁表达一组字符串的表达式

*针对字符串表达“简洁”和“特征”思想的工具

*判断某字符串的特征归属

 

正则表达式在文本处理中十分常用

*表达文本类型的特征（病毒、入侵等）

*同时查找或替换一组字符串

*匹配字符串的全部或部分

 

正则表达式的使用

*编译：将符合正则表达式语法的字符串转换成正则表达式特征

p=re.compile(regex)

 

正则表达式的语法

正则表达式语法由字符和操作符构成

P(Y|YT|YTH|YTHO)?N

                                                          正则表达式的常用操作符

操作符	说明	实例
.	表示任何单个字符
[ ]	字符集，对单个字符给出取值范围	[abc]表示a、b、c,[a-z]表示a到z单个字符
[^ ]	非字符集，对单个字符给出排除范围	[^abc]表示非a或b或c的单个字符
*	前一个字符0次或无限次扩展	abc*表示ab,abc,avcc,avccc等
+	前一个字符1次或无限次扩展	abc+表示abc、abcc、abccc等
？	前一个字符0次或1次扩展	abc?表示ab,abc
|	左右表示式任意一个	abc|def 表示abc或者def

PY{：3}N   表示：'PN' 、'PYN'、'PYYN'、'PYYYN' 

表示把大括号前面的字符扩展0到3次

                                                                 经典正则表达式实例

^[A-Za-z]+$	由26个字母组成的字符串
^[A-Za-z0-9]+$	由26个字母和数字组成的字符串
^-?\d+$	整数形式的字符串
^[0-9]*[1-9][0-9]*$	正整数形式的字符串
[1-9]\d{5}	中国境内邮政编码，6位
[\u4e00-\u9fa5]	匹配中文字符
\d{3}-\d{8}|\d{4}-\d{7}	国内电话号码，010-68913536