python网络爬虫教程(五)：使用正则表达式提取数据

正则表达式是处理字符串的强大工具，它有自己特定的语法结构，对于爬虫来说，它可以帮我们从HTML例提取我们想要的信息，实际上正则表达式应用非常广泛，如数据挖掘、数据分析、网络爬虫、输入有效性验证等。在python中我们可以用re模块来实现正则表达式。

正则表达式的功能非常强大，短短一节是讲不完的，对于新手来说，学习正则表达式可以浏览廖雪峰的官方网站。
这里列出了常用的几个匹配规则：

模式	描述
\w	匹配字母、数字及下划线
\W	匹配不是字母、数字及下划线的字符
\s	匹配任意空白字符，等价于[\t\n\r\f]
\S	匹配任意非空白字符
\d	匹配任意数字，等价于[0-9]
\D	匹配任意非数字
\A	匹配字符串开头
\Z	匹配字符串结尾，如果存在换行，则匹配到换行前的结束字符串
\z	匹配字符串结尾，如果存在换行，还会匹配到换行符
\G	匹配最后匹配完成的位置
\n	匹配一个换行符
\t	匹配一个制表符
^	匹配一行字符串的开头
$	匹配一行字符串的结尾
.	匹配任意字符
[…]	用来表示一组字符，比如[abc]匹配a、b或c
[^…]	匹配不在[]内的字符，比如[^abc]匹配除了a、b或c以外的字符
*	匹配0个或多个表达式
+	匹配1个或多个表达式
?	匹配0个或1个前面的正则表达式定义的片段、非贪婪方式
{n}	精确匹配n个前面的表达式
{n, m}	匹配n到m次由前面表达式定义的片段，贪婪方式
a | b	匹配a或b
()	匹配括号内的表达式，也表示一个组

通过前几章我们已经学习了如何构建请求、如何获得网页信息以及使用正则表达式提取我们需要的内容，目前为止我们已经可以使用爬虫获取一些有用的信息了，下一章我们开始构建我们的第一个爬虫项目，如果你想了解更多内容，可以关注公众号“机器图腾”，里面可以免费获取python学习资源、网络爬虫教程等，每周不定时更新一些有趣的python小项目。