网络爬虫-正则表达式

正则表达式的用途：

1. 给定的字符串是否符合正则表达式的过滤逻辑（称作“匹配”）；
2. 可以通过正则表达式，从字符串中获取我们想要的特定部分（称作“提取”）。

正则表达式的特点：

1. 灵活性、逻辑性和功能性非常的强；
2. 可以迅速地用极简单的方式达到字符串的复杂控制。

网络爬虫通过灵活的使用正则表达式，从网页中提取数据。下面将总结正则表达式在网络爬虫中的应用。
网络爬虫中使用正则表达式需要注意的事项：
1、有些字符在正则表达式中有特殊的含义，在使用时要进行转义（转义的目的就是要标明那个字符就是字符本身，不是正则表达式中特殊含义的字符）。
例：“.”不转义就代表匹配任意一个字符，转义后“\.”就代表“.”字符本身。
2、因为“\”本身就需要转义，所以要用“\\”。
3、对于比较复杂的内容可以进行多次匹配，先匹配出一个比较大的范围A，在从A中匹配出小的范围B
4、匹配到的内容超出我们想要匹配范围或者匹配到多条数据的时候，可以扩大匹配范围从上一级标签匹配，从而精准的匹配到数据。
5、要将多个正则表达式拼接成一个正则表达式可以使用(?:.*?)连接两个字符串
6、匹配()里面的内容：\((.*?)\)
7、匹配()和()里面的内容：(\(.*?\))
8、“*”（零或多次）“+”（一次或多次），使用“+”必须要匹配到一个，如果匹配不到会出错，所以视情况而定，可以使用“*”当匹配不到内容的时候不会报错。
常用正则表达式：
(\d+) 匹配数字
(.+?) 匹配一段字符串
\s 匹配空格
(?:pattern)匹配pattern但不匹配结果