在前面我們已經(jīng)搞定了怎樣獲取頁面的內(nèi)容，不過還差一步，這么多雜亂的代碼夾雜文字我們怎樣把它提取出來整理呢？下面就開始介紹一個十分強大的工具，正則表達式！
正則表達式是對字符串操作的一種邏輯公式，就是用事先定義好的一些特定字符、及這些特定字符的組合，組成一個“規(guī)則字符串”，這個“規(guī)則字符串”用來表達對字符串的一種過濾邏輯。 正則表達式是用來匹配字符串非常強大的工具，在其他編程語言中同樣有正則表達式的概念，Python同樣不例外，利用了正則表達式，我們想要從返回的頁面內(nèi)容提取出我們想要的內(nèi)容就易如反掌了。
正則表達式的大致匹配過程是：
下面是 Python 中正則表達式的一些匹配規(guī)則，圖片資料來自 CSDN
http://wiki.jikexueyuan.com/project/python-crawler-guide/images/04.png" alt="" />
正則表達式通常用于在文本中查找匹配的字符串。Python 里數(shù)量詞默認是貪婪的（在少數(shù)語言里也可能是默認非貪婪），總是嘗試匹配盡可能多的字符；非貪婪的則相反，總是嘗試匹配盡可能少的字符。例如：正則表達式 ”ab” 如果用于查找 ”abbbc”，將找到 ”abbb”。而如果使用非貪婪的數(shù)量詞 ”ab?”，將找到 ”a”。
注：我們一般使用非貪婪模式來提取。
與大多數(shù)編程語言相同，正則表達式里使用”\”作為轉(zhuǎn)義字符，這就可能造成反斜杠困擾。假如你需要匹配文本中的字符”\”，那么使用編程語言表示的正則表達式里將需要4個反斜杠”\\”：前兩個和后兩個分別用于在編程語言里轉(zhuǎn)義成反斜杠，轉(zhuǎn)換成兩個反斜杠后再在正則表達式里轉(zhuǎn)義成一個反斜杠。
Python 里的原生字符串很好地解決了這個問題，這個例子中的正則表達式可以使用 r”\” 表示。同樣，匹配一個數(shù)字的 ”\d” 可以寫成 r”\d”。有了原生字符串，媽媽也不用擔心是不是漏寫了反斜杠，寫出來的表達式也更直觀勒。
Python 自帶了 re 模塊，它提供了對正則表達式的支持。主要用到的方法列舉如下
#返回pattern對象
re.compile(string[,flag])
#以下為匹配所用函數(shù)
re.match(pattern, string[, flags])
re.search(pattern, string[, flags])
re.split(pattern, string[, maxsplit])
re.findall(pattern, string[, flags])
re.finditer(pattern, string[, flags])
re.sub(pattern, repl, string[, count])
re.subn(pattern, repl, string[, count]) 在介紹這幾個方法之前，我們先來介紹一下 pattern 的概念，pattern 可以理解為一個匹配模式，那么我們怎么獲得這個匹配模式呢？很簡單，我們需要利用 re.compile 方法就可以。例如
pattern = re.compile(r'hello') 在參數(shù)中我們傳入了原生字符串對象，通過 compile 方法編譯生成一個 pattern 對象，然后我們利用這個對象來進行進一步的匹配。
另外大家可能注意到了另一個參數(shù) flags，在這里解釋一下這個參數(shù)的含義：
參數(shù) flag 是匹配模式，取值可以使用按位或運算符’|’表示同時生效，比如 re.I | re.M。
可選值有：
? re.I(全拼：IGNORECASE): 忽略大小寫（括號內(nèi)是完整寫法，下同）
? re.M(全拼：MULTILINE): 多行模式，改變'^'和'$'的行為（參見上圖）
? re.S(全拼：DOTALL): 點任意匹配模式，改變'.'的行為
? re.L(全拼：LOCALE): 使預定字符類 \w \W \b \B \s \S 取決于當前區(qū)域設(shè)定
? re.U(全拼：UNICODE): 使預定字符類 \w \W \b \B \s \S \d \D 取決于unicode定義的字符屬性
? re.X(全拼：VERBOSE): 詳細模式。這個模式下正則表達式可以是多行，忽略空白字符，并可以加入注釋。在剛才所說的另外幾個方法例如 re.match 里我們就需要用到這個 pattern 了，下面我們一一介紹。
注：以下七個方法中的 flags 同樣是代表匹配模式的意思，如果在 pattern 生成時已經(jīng)指明了 flags，那么在下面的方法中就不需要傳入這個參數(shù)了。
這個方法將會從 string（我們要匹配的字符串）的開頭開始，嘗試匹配 pattern，一直向后匹配，如果遇到無法匹配的字符，立即返回 None，如果匹配未結(jié)束已經(jīng)到達 string 的末尾，也會返回 None。兩個結(jié)果均表示匹配失敗，否則匹配 pattern 成功，同時匹配終止，不再對string 向后匹配。下面我們通過一個例子理解一下
__author__ = 'CQC'
\# -*- coding: utf-8 -*-
\#導入re模塊
import re
\# 將正則表達式編譯成Pattern對象，注意hello前面的r的意思是“原生字符串”
pattern = re.compile(r'hello')
\# 使用re.match匹配文本，獲得匹配結(jié)果，無法匹配時將返回None
result1 = re.match(pattern,'hello')
result2 = re.match(pattern,'helloo CQC!')
result3 = re.match(pattern,'helo CQC!')
result4 = re.match(pattern,'hello CQC!')
\#如果1匹配成功
if result1:
# 使用Match獲得分組信息
print result1.group()
else:
print '1匹配失?。?
\#如果2匹配成功
if result2:
# 使用Match獲得分組信息
print result2.group()
else:
print '2匹配失??！'
\#如果3匹配成功
if result3:
# 使用Match獲得分組信息
print result3.group()
else:
print '3匹配失敗！'
\#如果4匹配成功
if result4:
# 使用Match獲得分組信息
print result4.group()
else:
print '4匹配失??！' 運行結(jié)果
hello
hello
3匹配失??！
hello 匹配分析
第一個匹配，pattern 正則表達式為 ’hello’，我們匹配的目標字符串 string 也為hello，從頭至尾完全匹配，匹配成功。
第二個匹配，string 為 helloo CQC，從 string 頭開始匹配 pattern 完全可以匹配，pattern 匹配結(jié)束，同時匹配終止，后面的 o CQC 不再匹配，返回匹配成功的信息。
第三個匹配，string為helo CQC，從 string 頭開始匹配 pattern，發(fā)現(xiàn)到 ‘o’ 時無法完成匹配，匹配終止，返回 None
我們還看到最后打印出了 result.group()，這個是什么意思呢？下面我們說一下關(guān)于 match 對象的的屬性和方法 Match 對象是一次匹配的結(jié)果，包含了很多關(guān)于此次匹配的信息，可以使用 Match 提供的可讀屬性或方法來獲取這些信息。
屬性：
1.string: 匹配時使用的文本。
2.re: 匹配時使用的Pattern對象。
3.pos: 文本中正則表達式開始搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
4.endpos: 文本中正則表達式結(jié)束搜索的索引。值與Pattern.match()和Pattern.seach()方法的同名參數(shù)相同。
5.lastindex: 最后一個被捕獲的分組在文本中的索引。如果沒有被捕獲的分組，將為None。
6.lastgroup: 最后一個被捕獲的分組的別名。如果這個分組沒有別名或者沒有被捕獲的分組，將為None。
方法：
1.group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數(shù)時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數(shù)時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。
2.groups([default]):
以元組形式返回全部分組截獲的字符串。相當于調(diào)用group(1,2,…last)。default表示沒有截獲字符串的組以這個值替代，默認為None。
3.groupdict([default]):
返回以有別名的組的別名為鍵、以該組截獲的子串為值的字典，沒有別名的組不包含在內(nèi)。default含義同上。
4.start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。
5.end([group]):
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個字符的索引+1）。group默認值為0。
6.span([group]):
返回(start(group), end(group))。
7.expand(template):
將匹配到的分組代入template中然后返回。template中可以使用\id或\g、\g引用分組，但不能使用編號0。\id與\g是等價的；但\10將被認為是第10個分組，如果你想表達\1之后是字符’0’，只能使用\g0。下面我們用一個例子來體會一下
\# -*- coding: utf-8 -*-
\#一個簡單的match實例
import re
\# 匹配如下內(nèi)容：單詞+空格+單詞+任意字符
m = re.match(r'(\w+) (\w+)(?P.*)', 'hello world!')
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group():", m.group()
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r'\g \g\g'):", m.expand(r'\2 \1\3')
\### output ###
\# m.string: hello world!
\# m.re:
\# m.pos: 0
\# m.endpos: 12
\# m.lastindex: 3
\# m.lastgroup: sign
\# m.group(1,2): ('hello', 'world')
\# m.groups(): ('hello', 'world', '!')
\# m.groupdict(): {'sign': '!'}
\# m.start(2): 6
\# m.end(2): 11
\# m.span(2): (6, 11)
\# m.expand(r'\2 \1\3'): world hello! search 方法與 match 方法極其類似，區(qū)別在于 match() 函數(shù)只檢測 re 是不是在 string的開始位置匹配，search() 會掃描整個 string 查找匹配，match（）只有在0位置匹配成功的話才有返回，如果不是開始位置匹配成功的話，match() 就返回 None。同樣，search 方法的返回對象同樣 match() 返回對象的方法和屬性。我們用一個例子感受一下
\#導入re模塊
import re
\# 將正則表達式編譯成Pattern對象
pattern = re.compile(r'world')
\# 使用search()查找匹配的子串，不存在能匹配的子串時將返回None
\# 這個例子中使用match()無法成功匹配
match = re.search(pattern,'hello world!')
if match:
\# 使用Match獲得分組信息
print match.group()
\### 輸出 ###
\# world 按照能夠匹配的子串將 string 分割后返回列表。maxsplit 用于指定最大分割次數(shù)，不指定將全部分割。我們通過下面的例子感受一下。
import re
pattern = re.compile(r'\d+')
print re.split(pattern,'one1two2three3four4')
\### 輸出 ###
\# ['one', 'two', 'three', 'four', ''] 搜索 string，以列表形式返回全部能匹配的子串。我們通過這個例子來感受一下
import re
pattern = re.compile(r'\d+')
print re.findall(pattern,'one1two2three3four4')
\### 輸出 ###
\# ['1', '2', '3', '4'] 搜索 string，返回一個順序訪問每一個匹配結(jié)果（Match對象）的迭代器。我們通過下面的例子來感受一下
import re
pattern = re.compile(r'\d+')
for m in re.finditer(pattern,'one1two2three3four4'):
print m.group(),
\### 輸出 ###
\# 1 2 3 4 使用 repl 替換 string 中每一個匹配的子串后返回替換后的字符串。 當 repl 是一個字符串時，可以使用 \id 或 \g、\g 引用分組，但不能使用編號0。 當 repl 是一個方法時，這個方法應當只接受一個參數(shù)（Match對象），并返回一個字符串用于替換（返回的字符串中不能再引用分組）。 count 用于指定最多替換次數(shù)，不指定時全部替換。
import re
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print re.sub(pattern,r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print re.sub(pattern,func, s)
\### output ###
\# say i, world hello!
\# I Say, Hello World! 返回 (sub(repl, string[, count]), 替換次數(shù))。
import re
pattern = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
print re.subn(pattern,r'\2 \1', s)
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print re.subn(pattern,func, s)
\### output ###
\# ('say i, world hello!', 2)
\# ('I Say, Hello World!', 2) 在上面我們介紹了7個工具方法，例如 match，search 等等，不過調(diào)用方式都是 re.match，re.search 的方式，其實還有另外一種調(diào)用方式，可以通過 pattern.match，pattern.search 調(diào)用，這樣調(diào)用便不用將 pattern 作為第一個參數(shù)傳入了，大家想怎樣調(diào)用皆可。
函數(shù) API 列表
match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags])
split(string[, maxsplit]) | re.split(pattern, string[, maxsplit])
findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags])
finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags])
sub(repl, string[, count]) | re.sub(pattern, repl, string[, count])
subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]) 具體的調(diào)用方法不必詳說了，原理都類似，只是參數(shù)的變化不同。小伙伴們嘗試一下吧~
小伙伴們加油，即使這一節(jié)看得云里霧里的也沒關(guān)系，接下來我們會通過一些實戰(zhàn)例子來幫助大家熟練掌握正則表達式的。
參考文章：此文章部分內(nèi)容出自 CNBlogs
掃碼關(guān)注鍍金池微信號
手機訂課，優(yōu)惠多多