认识爬虫 —— 正则表达式提取
本质是对字符串的处理，正则表达式描述的是一种字符串匹配的模式。简而言之，用具备一定特征意义的表达式对字符串进行检查，将符合条件的子字符串提取出来。
导入模块
import re
一、单字符匹配
match(表达式，匹配对象)：匹配某个字符串
import re
text = 'python'
result = re.match('py',text)
print(result.group())>>> py
1.从起始位置进行匹配
2.只能匹配某个，并且返回的结果是object => 使用group()方法进行打印
3.匹配不到，不会报错，返回None
. ：匹配任意的某个字符
import re
text = '1python'
result = re.match('.',text)
print(result.group())>>> 1
1.无法匹配换行符
2.从起始位置进行匹配
\d：匹配任意的某个数字
从起始位置进行匹配
import re
text = '1python'
result = re.match('\\d',text)
print(result.group())或
import re
text = '1python'
result = re.match(r'\d',text)
print(result.group())>>> 1
\D：除数字外均可匹配
从起始位置进行匹配
import re
text = '_python'
result = re.match(r'\D',text)
print(result.group())>>> _
\s：匹配空白字符
1.从起始位置进行匹配
2.\n \t \r 空格都表示空白字符
import re
text = '\npython'
result = re.match(r'\s',text)
print(result.group())\w：匹配小写的a-z、大写的A-Z，数字和下划线
import re
text = '_python'
result = re.match(r'\w',text)
print(result.group())>>> _
\W：匹配除小写\w之外的所有字符
eg. —
[]：表示组合方式，只要在中括号内的内容均可匹配
1.从起始位置进行匹配
2.[] 内多个匹配内容时，取"或"，只要匹配对象中含有其中一个内容就匹配
import re
text = '?-python'
result = re.match('[-?]',text)
print(result.group())>>> ?
二、多字符匹配
*：匹配零个或者多个字符
import re
text = '151-1234-5678'
result = re.match(r'[\d]*',text)
print(result.group())>>> 151
+：匹配一个或者多个（至少有一个）
import re
text = 'a151-1234-5678'
result = re.match(r'[a\d]+',text)
print(result.group())>>> a151 (匹配到不满足条件为止)
?：要么匹配0个，要么匹配1个
import re
text = '-a151-1234-5678'
result = re.match(r'[-a\d]?',text)
print(result.group())>>> - (最多让你匹配一个)
{m}：匹配指定个数m
import re
text = '-151-1234-5678'
result = re.match(r'[-\d]{2}',text)
print(result.group())>>> -1
{m,n}：匹配m到n个（默认匹配最多次）
import re
text = '-151-1234-5678'
result = re.match(r'[-\d]{2,4}',text)
print(result.group())>>> -151
三、匹配规则的替代方案
1. \d ->> [0-9]：匹配所有的数字
2. \D ->> [^0-9]：匹配所有的非数字
3. \w ->> [0-9a-zA-Z_]：匹配所有的数字、字母和下划线
4. \W ->> [^0-9a-zA-Z_]：匹配所有的非数字、字母和下划线
5. [\d\D]、[\w\W]：匹配所有的字符
四、特殊匹配
[.]+：[.]，表示的是仅表示匹配点(.)，配合+，即匹配. 一次或多次
五、特殊匹配进阶
从头匹配
re.match：必须从字符串开头进行匹配，一旦起始位置出错，便报错
全局遍历
re.search：从左到右进行字符串的遍历，找到就返回，后续再次出现，但也不再返回结果
^：中括号内表示取反；中括号外表示以指定的字符开始
$：表示以...为结尾
| ：匹配多个表达式或者字符串
六、贪婪模式与非贪婪模式
贪婪模式:正则表达式会尽可能多地匹配字符【默认就是贪婪模式】
非贪婪模式:正则表达式会尽可能少地匹配字符 【添加?】