L10:正则表达式基础

爬虫常常获取到html文件，从中提取有效信息的一种方式就是用正则表达式，方法基础但是强大。
正则表达式就是在字符串中寻找满足某种条件的子串。将筛选条件表示出来的符号就是正则表达式。
Python内置了re模块，可用其完成正则表达式的匹配。
在re模块中，常用的有5个函数，match、search、findall、sub、compile。

re.match

re.match(pattern, string, flags=0)

pattern为正则表达式，
string是原始字符串，
flags是匹配模式。
match方法从（且只从）第一个字符开始匹配。
返回一个match对象
可以调用group、groups、span等函数。

re.search

与match相类似，只是search不是必须要匹配第一个字符。

re.findall

相当于search的升级版。search只能匹配到第一个子串，而findall可以匹配所有子串。

re.sub

re.sub(pattern, repl, string, count=0, flags=0)

参数多了一个repl
sub是将原字符串中匹到的子串替换为repl

re.compile

re.compile(pattern, flags=0)

对于常用的正则表达式，可以先用compile，得到对象可以调用match、serach等函数。

常见问题

1.贪婪匹配
.* 可以匹配任意字符，会尽可能的多匹配字符，所以会导致某些问题。
比如用.(\d)匹配手机号，我们得到的手机号只有一位数字，因为其它数字被.匹配了。所以通常用 .*? 来进行非贪婪匹配，把字符留给后面的表达式。

2.匹配换行符
. 默认可以匹配除换行外的所有字符，如果把匹配模式设置为re.S，则 . 可以匹配换行符。

3.转义字符
比如 ? 表示匹配0个或1个，但如果要匹配字符串中的 ? ， 则要进行转义：?。