【Python】【进阶篇】六、Python爬虫的正则表达式

六、Python爬虫的正则表达式

在使用 Python 编写爬虫的过程中，re 模块通常做为一种解析方法来使用。通过审查网页元素来获取网页的大体结构，然后使用解析模块来提取你想要的网页信息，最终实现数据的抓取。

6.1 正则表达式元字符

下表列出了常用的正则表达式元字符：

元字符	匹配内容
.	匹配除换行符以外的任意字符
\w	匹配所有普通字符(数字、字母或下划线)
\s	匹配任意的空白符
\d	匹配数字
\n	匹配一个换行符
\t	匹配一个制表符
\b	匹配一个单词的结尾
^	匹配字符串的开始位置
$	匹配字符串的结尾位置
\W	匹配非字母或数字或下划线
\D	匹配非数字
\S	匹配非空白符
`a	b`
()	正则表达式分组所用符号，匹配括号内的表达式，表示一个组。
[...]	匹配字符组中的字符
[^...]	匹配除了字符组中字符的所有字符

6.2 正则表达式量词

下表列出了常用的正则表达式量词：

量词	用法说明
*	重复零次或者更多次
+	重复一次或者更多次
？	重复0次或者一次
{n}	重复n次
{n,}	重复n次或者更多次
{n,m}	重复n到m次

6.3 正则表达式字符组

下表列出了常用的正则表达式字符组：

正则	说明
[0123456789]	在一个字符组里枚举所有字符，字符组里的任意一个字符
[0-9]	也可以用-表示范围，[0-9] 就和 [0123456789] 是一个意思。
[a-z]	同样的如果要匹配所有的小写字母，直接用 [a-z] 就可以表示。
[A-Z]	[A-Z] 就表示所有的大写字母。
[0-9a-fA-F]	可以匹配数字，大小写形式的 a～f，用来验证十六进制字符。

6.4 贪婪模式非贪婪模式

正则表达式默认为贪婪匹配，也就是尽可能多的向后匹配字符，比如 {n,m} 表示匹配前面的内容出现 n 到 m 次（n 小于 m），在贪婪模式下，首先以匹配 m 次为目标，而在非贪婪模式是尽可能少的向后匹配内容，也就是说匹配 n 次即可。

贪婪模式转换为非贪婪模式的方法很简单，在元字符后添加“?”即可实现，如下所示：

元字符(贪婪模式)	非贪婪模式
*	*?
+	+?
?	??
{n,m}	{n,m}?

6.5 贪婪模式非贪婪模式

使用正则表达式匹配特殊字符时，则需要在字符前加\表示转意。常见的特殊字符如下：

* + ? ^ $ [] () {} | \