其他
写爬虫，怎么可以不会正则呢？
以下文章来源于大龄码农的Python之路 ，作者丹枫无迹
导读：正则在各语言中的使用是有差异的，本文以 Python 3 为基础。本文主要讲述的是正则的语法，对于 re 模块不做过多描述，只会对一些特殊地方做提示。
1、正则基础
1.1、基础语法
re.search('\d+', s).group()
re.search('\w+', s).group()
123abc你好
1.2、修饰符
A 使 \w 只匹配 ASCII 字符，\W 匹配非 ASCII 字符。re.search('\w+', s, re.A).group()
re.search('\W+', s, re.A).group()
你好
\d 和 \D，数字不都是 ASCII 字符吗？这是什么意思？别忘了，还有 全角和半角！re.search('\d+', s, re.U).group()
re.findall('^[\s\w]*?$', s)
re.findall('^[\s\w]*?$', s, re.M)
['aaa\r', 'bbb\r', 'ccc'] # 多行模式
re.findall('^.*', s)
re.findall('^.*', s, re.S)
['aaa\r\nbbb\r\nccc']
\d+ # 匹配数字
# 和字母
[a-zA-Z]+
""", re.X)
rc.search('123abc').group()
注意，用了 X修饰符后，正则中的所有空格会被忽略，包括正则里面的原本有用的空格。如果正则中有需要使用空格，只能用\s代替。
(?aiLmsux) 表示了以上所有的修饰符，具体用的时候需要哪个就在 ? 后面加上对应的字母，示例如下，(?a) 和 re.A 效果是一样的：re.search('(?a)\w+', s).group()
re.search('\w+', s, re.A).group()
123abc
1.3、贪婪与懒惰
re.search('a.*b', s).group() # 这就是贪婪
re.search('a.*?b', s).group() # 这就是懒惰
aab
所谓贪婪，就是尽可能 多 的匹配；
所谓懒惰，就是尽可能 少 的匹配。
*、+、{n,}这些表达式属于贪婪；*?、+?、{n,}?这些表达式就是懒惰（在贪婪的基础上加上?）。
2、正则进阶
2.1、捕获分组
(?<name>exp) 或 (?'name'exp)，但在 Python 里，这样写会报错：This named group syntax is not supported in this regex dialect。Python 中正确的写法是：(?P<name>exp)m = re.search('姓名[:：](\w+).*?电话[:：](\d{11})', s)
if m:
name = m.group(1)
phone = m.group(2)
print(f'name:{name}, phone:{phone}')
(?P<name>exp) 有时还是会用到的， (?P=name) 则很少情况下会用到。我想了一个 (?P=name) 的使用示例，给大家看下效果：<name>张三</name>
<age>30</age>
<phone>138123456789</phone>
'''
pattern = r'<(?P<name>.*?)>(.*?)</(?P=name)>'
It = re.findall(pattern, s)
2.2、零宽断言
(?<=exp) 和前项否定界定 (?<!exp) 在 Python 中可能会报错：look-behind requires fixed-width pattern，原因是 python 中 前项界定的表达式必须是定长的，看如下示例：(?<=aaa|bbb) # 正确
(?<=aaa|bb) # 错误
(?<=\d+) # 错误
(?<=\d{3}) # 正确
2.3、条件匹配
s2 = 'abc1'
pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'
re.search(pattern, s1).group()
re.search(pattern, s2).group()
abc1
2.4、findall
re.findall 是个比较特别的方法（之所以说它特别，是跟我常用的 C# 做比较，在没看注释之前我想当然的掉坑里去了）。我们看这个方法的官方注释：If one or more capturing groups are present in the pattern, return
a list of groups; this will be a list of tuples if the pattern
has more than one group.
Empty matches are included in the result.
如果没有分组，则返回整条正则匹配结果的列表；
如果有 1 个分组，则返回分组匹配到的结果的列表；
如果有多个分组，则返回分组匹配到的结果的元组的列表。
re.findall('[a-z]+\d+', s) # 不包含分组
re.findall('[a-z]+(\d+)', s) # 包含一个分组
re.findall('([a-z]+(\d+))', s) # 包含多个分组
re.findall('(?:[a-z]+(\d+))', s) # ?: 不捕获分组匹配结果
['123', '456']
[('aaa123', '123'), ('bbb456', '456')]
['123', '456']
零宽断言中讲到 Python 中前项界定必须是定长的，这很不方便，但是配合 findall 有分组时只取分组结果的特性，就可以模拟出非定长前项界定的效果了。
结语
◆
精彩推荐
◆
「2019 AI开发者大会」 除了邀请国内外一线公司重磅嘉宾外，还邀请到了亚马逊首席科学家@李沐，他将于9月5日亲授「深度学习实训营」，通过动手实操，帮助开发者全面了解深度学习的基础知识和开发技巧。
社群福利
扫码添加小助手，回复：大会，加入2019 AI开发者大会福利群，每周更新技术福利，还有不定期的抽奖活动~推荐阅读