爬虫学习笔记（三）——Re正则表达式

匹配规则：

.  任何单个字符

[]  单个字符的取值范围
[^ ]  不取括号内的字符
*  前一个字符的0至任意次
+  前一个字符的1次至任意次
？ 前一字符的0或1次
|  左右表达式任意一个，相当于或运算


{m}  前一个字符M次  ab{2}c=abbc
{m,n}  前一字符m至n次
^  字符串开头
$  字符串结尾
()  分组标记，内部只能用|，(abc)=abc,(abc|aaa)=abc或aaa
\d  数字，=[0-9], \d{m}=m个数字
\w  单字符，=[A-Za-z0-9]


import re


原始字符串屏蔽反斜杠转义效果
r'\b'='\\b'  匹配一个单词边界，
'\b'  退格


Re主要函数：
match = re.search(pattern, string, flags=0)  匹配整个字符串，返回第一个符合的位置
pattern:正则表达式
string:待匹配字符串
flags:控制标记

.match(pattern, string, flags=0) 从字符串开头开始匹配正则，开头若不匹配则返回错误

.findall(pattern, string, flags=0)  返回所有匹配到的列表

.split(pattern, string, maxsplit=0, flags=0)  将匹配到的作为分隔符分割字符串
maxsplit最大分割数

.finditer(pattern, string, flags=0)  放回一个匹配结果的迭代类型

.sub(pattern, repl, string, count=0, flags=0)
repl:  替换匹配后的字符串
count:  匹配的最大替换数量


a = re.search(r'pattern','string')  一次性匹配

b = re.compile(r'pattern')  面向对象方法：提前编译匹配内容后使用
a = b.search('string')  用b替代re，已经包含编译的规则，当使用量大时可以减小开支，加快运行速度
编译后可以使用re的全部函数


re匹配后返回match对象

match对象属性：
.string  待匹配文本
.re  正则
.pos  文本匹配开始的位置
.endpos  文本匹配的结束位置

match对象的方法：
.group(0)  获得匹配后的字符串
.start()  匹配到的字符串在原字符串中的开始位置
.end()  匹配到的字符串在原字符串中的结束位置
.span()  返回(.start(), .end())


贪婪匹配：
re默认采用这种匹配方式，即返回在复合匹配要求的最长字符串
r'a.*b'  'abcdbefbghdij'  将返回abcdbefb
在匹配规则中使用?改为最小匹配，r'a.*?b'返回ab, r'a.+?b'返回'abcdb'