Python爬虫之正则表达式（1）

廖雪峰正则表达式学习笔记

1：用\d可以匹配一个数字；用\w可以匹配一个字母或数字；

• '00\d' 可以匹配‘007’，但是无法匹配‘00A’;
• ‘\d\d\d’可以匹配‘010’；
• ‘\w\w\d’可以匹配‘py3’;

2：.可以匹配任意字符；

• 'py.'可以匹配'pyc'、'pyo'、'py!'等等。

3：在正则表达式中，要匹配变长字符：

1. 用*表示任意个字符（包括0个）；
2. 用+表示至少一个字符；
3. 用？表示0个或1个字符；
4. 用｛n｝表示n个字符；
5. 用｛n,m｝表示n-m个字符；
6. 用 \s 可以匹配一个空格（也包括Tab等空白符）；
7. ‘-’是特殊字符，在正则表达式中，用‘\’转义；

4：复杂例子：\d{3}\s+\d{3,8}

• \d{3}表示匹配3个数字，例如‘010’；
• \s+表示至少一个空格，例如匹配‘ ’，‘  ’等；
• \d{3, 8}表示3-8个数字，例如‘1234567’；

5：要做更精确地匹配，可以用[]表示范围

• [0-9a-zA-Z\_]可以匹配一个数字、字母或者下划线；
• [0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等；
• [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
• [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。

A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'。

^表示行的开头，^\d表示必须以数字开头。

$表示行的结束，\d$表示必须以数字结束。