前言

正則表達式處理文本有如疾風掃秋葉，絕大部分編程語言都內置支持正則表達式，它應用在諸如表單驗證、文本提取、替換等場景。爬蟲系統更是離不開正則表達式，用好正則表達式往往能收到事半功倍的效果。

介紹正則表達式前，先來看一個問題，下面這段文本來自豆瓣的某個網頁鏈接，我對內容進行了縮減。問：如何提取文本中所有郵箱地址呢？

html = """  <style>   .qrcode-app{    display: block;    background: url(/pics/qrcode_app4@2x.png) no-repeat;   }  </style>  <div class="reply-doc content">   <p class="">34613453@qq.com，謝謝了</p>   <p class="">30604259@qq.com麻煩樓主</p>  </div>  <p class="">490010464@163.com<br/>謝謝</p>  """

如果你還沒接觸過正則表達式，我想對此會是一籌莫展，不用正則，似乎想不到一種更好的方式來處理，不過，我們暫且放下這個問題，待學習完正則表達式之后再來考慮如何解決。

字符串的表現形式

Python 字符串有幾種表現形式，以u開頭的字符串稱為Unicode字符串，它不在本文討論范圍內，此外，你應該還看到過這兩種寫法：

>>> foo = "hello">>> bar = r"hello"

前者是常規字符串，后者 r 開頭的是原始字符串，兩者有什么區別？因為在上面的例子中，它們都是由普通文本字符組成的串，在這里沒什么區別，下面可以證明

>>> foo is barTrue>>> foo == barTrue

但是，如果字符串中包括有特殊字符，會是什么情況呢？再來看一個例子：

>>> foo = "/n">>> bar = r"/n">>> foo, len(foo)('/n', 1)>>> bar, len(bar)('//n', 2)>>> foo == barFalse>>>

"/n" 是一個轉義字符，它在 ASCII 中表示換行符。而 r"/n" 是一個原始字符串，原始字符串不對特殊字符進行轉義，它就是你看到的字面意思，由 "/" 和 "n" 兩個字符組成的字符串。

定義原始字符串可以用小寫r或者大寫R開頭，比如 r"/b" 或者 R"/b" 都是允許的。在 Python 中，正則表達式一般用原始字符串的形式來定義，為什么呢？

舉例來說，對于字符 "/b" 來說，它在 ASCII 中是有特殊意義的，表示退格鍵，而在正則表達式中，它是一個特殊的元字符，用于匹配一個單詞的邊界，為了能讓正則編譯器正確地表達它的意義就需要用原始字符串，當然也可以使用反斜杠 "/" 對常規定義的字符串進行轉義

>>> foo = "//b">>> bar = r"/b">>> foo == barTrue

正則基本介紹

正則表達式由普通文本字符和特殊字符（元字符）兩種字符組成。元字符在正則表達式中具有特殊意義，它讓正則表達式具有更豐富的表達能力。例如，正則表達式 r"a.d"中 ，字符 'a' 和 'd' 是普通字符，'.' 是元字符，. 可以指代任意字符，它能匹配 'a1d'、'a2d'、'acd' ，它的匹配流程是：

Python 內置模塊 re 是專門用于處理正則表達式的模塊。

>>> rex = r"a.d" # 正則表達式文本>>> original_str = "and" # 原始文本>>> pattern = re.compile(rex) # 正則表達式對象>>> m = pattern.match(original_str) # 匹配對象>>> m <_sre.SRE_Match object at 0x101c85b28># 等價于>>> re.match(r"a.d", "and")<_sre.SRE_Match object at 0x10a15dcc8>

如果原文本字符串與正則表達式匹配，那么就會返回一個 Match 對象，當不匹配時，match 方法返回的 None，通過判斷m是否為None可進行表單驗證。

接下來，我們需要學習更多元字符。

基本元字符

• .：匹配除換行符以外的任意一個字符，例如："a.c" 可以完全匹配 "abc"，也可以匹配 "abcef" 中的 "abc"
• /： 轉義字符，使特殊字符具有本來的意義，例如： 1/.2 可以匹配 1.2
• [...]：匹配方括號中的任意一個字符，例如：a[bcd]e 可以匹配 abe、ace、ade，它還支持范圍操作，比如：a到z可表示為 "a-z"，0到9可表示為 "0-9"，注意，在 "[]" 中的特殊字符不再有特殊意義，就是它字面的意義，例如：[.*]就是匹配 . 或者 *
• [^...]，字符集取反，表示只要不是括號中出現的字符都可以匹配，例如：a[^bcd]e 可匹配 aee、afe等

>>> re.match(r"a.c", "abc").group()'abc'>>> re.match(r"a.c", "abcef").group()'abc'>>> re.match(r"1/.2", "1.2").group()'1.2'>>> re.match(r"a[0-9]b", "a2b").group()'a2b'>>> re.match(r"a[0-9]b", "a5b11").group()'a5b'>>> re.match(r"a[.*?]b", "a.b").group()'a.b'>>> re.match(r"abc[^/w]", "abc!123").group()'abc!

group 方法返回原字符串(abcef)中與正則表達式相匹配的那部分子字符串(abc)，提前是要匹配成功 match 方法才會返回 Match 對象，進而才有group方法。

預設元字符

• /w 匹配任意一個單詞字符，包括數字和下劃線，它等價于 [A-Za-z0-9_]，例如 a/wc 可以匹配 abc、acc
• /W 匹配任意一個非單詞字符，與 /w 操作相反，它等價于 [^A-Za-z0-9_]，例如： a/Wc 可匹配 a!c
• /s 匹配任意一個空白字符，空格、回車等都是空白字符，例如：a/sc 可以配 a/nc，這里的 /n表示回車
• /S 匹配任意一個非空白字符
• /d 匹配任意一個數字，它等價于[0-9]，例如：a/dc 可匹配 a1c、a2c ...
• /D 匹配任意一個非數字

邊界匹配

邊界匹配相關的符號專門用于修飾字符。

• ^ 匹配字符的開頭，在字符串的前面，例如：^abc 表示匹配 a開頭，后面緊隨bc的字符串，它可以匹配 abc
• $ 匹配字符的結尾，在字符串的末尾位置，例如： hello$

>>> re.match(r"^abc","abc").group()'abc'>>> re.match(r"^abc$","abc").group()'abc'

重復匹配

前面的元字符都是針對單個字符來匹配的，如果希望匹配的字符重復出現，比如匹配身份證號碼，長度18位，那么就需要用到重復匹配的元字符

• * 重復匹配零次或者更多次
• ? 重復匹配零次或者一次
• + 重復匹配1次或者多次
• {n} 重復匹配n次
• {n,} 重復匹配至少n次
• {n, m} 重復匹配n到m次

# 簡單匹配身份證號碼，前面17位是數字，最后一位可以是數字或者字母X>>> re.match(r"/d{17}[/dX]", "42350119900101153X").group()'42350119900101153X'# 匹配5到12的QQ號碼>>> re.match(r"/d{5,12}$", "4235011990").group()'4235011990'

邏輯分支

匹配一個固定電話號碼，不同地區規則不一樣，有的地方區號是3位，電話是8位，有的地方區號是4位，電話為7位，區號與號碼之間用 - 隔開，如果應對這樣的需求呢？這時你需要用到邏輯分支條件字符 |，它把表達式分為左右兩部分，先嘗試匹配左邊部分，如果匹配成功就不再匹配后面部分了，這是邏輯 "或" 的關系

# abc|cde 可以匹配abc 或者 cde，但優先匹配abc>>> re.match(r"aa(abc|cde)","aaabccde").group()'aaabc'

0/d{2}-/d{8}|0/d{3}-/d{7} 表達式以0開頭，既可以匹配3位區號8位號碼，也可以匹配4位區號7位號碼

>>> re.match(r"0/d{2}-/d{8}|0/d{3}-/d{7}", "0755-4348767").group()'0755-4348767'>>> re.match(r"0/d{2}-/d{8}|0/d{3}-/d{7}", "010-34827637").group()'010-34827637'

分組

前面介紹的匹配規則都是針對單個字符而言的，如果想要重復匹配多個字符怎么辦，答案是，用子表達式（也叫分組）來表示，分組用小括號"()"表示，例如 (abc){2} 表示匹配abc兩次， 匹配一個IP地址時，可以使用 (/d{1,3}/.){3}/d{1,3}，因為IP是由4組數組3個點組成的，所有，前面3組數字和3個點可以作為一個分組重復3次，最后一部分是一個1到3個數字組成的字符串。如：192.168.0.1。

關于分組，group 方法可用于提取匹配的字符串分組，默認它會把整個表達式的匹配結果當做第0個分組，就是不帶參數的 group() 或者是 group(0)，第一組括號中的分組用group(1)獲取，以此類推

>>> m = re.match(r"(/d+)(/w+)", "123abc")＃分組０，匹配整個正則表達式>>> m.group()'123abc'#等價>>> m.group(0)'123abc'# 分組1，匹配第一對括號>>> m.group(1)'123'# 分組2，匹配第二對括號>>> m.group(2)'abc'>>>

通過分組，我們可以從字符串中提取出想要的信息。另外，分組還可以通過指定名字的方式獲取。

# 第一個分組的名字是number# 第二個分組的名字是char>>> m = re.match(r"(?P<number>/d+)(?P<char>/w+)", "123abc")>>> m.group("number")'123'# 等價>>> m.group(1)'123'

貪婪與非貪婪

默認情況下，正則表達式重復匹配時，在使整個表達式能得到匹配的前提下盡可能匹配多的字符，我們稱之為貪婪模式，是一種貪得無厭的模式。例如： r"a.*b" 表示匹配 a 開頭 b 結尾，中間可以是任意多個字符的字符串，如果用它來匹配 aaabcb，那么它會匹配整個字符串。

>>> re.match(r"a.*b", "aaabcb").group()'aaabcb'

有時，我們希望盡可能少的匹配，怎么辦？只需要在量詞后面加一個問號" ？"，在保證匹配的情況下盡可能少的匹配，比如剛才的例子，我們只希望匹配 aaab，那么只需要修改正則表達式為 r"a.*?b"

>>> re.match(r"a.*?b", "aaabcb").group()'aaab'>>>

非貪婪模式在爬蟲應用中使用非常頻繁。比如之前在公眾號「Python之禪」曾寫過一篇爬取網站并將其轉換為PDF文件的場景，在網頁上涉及img標簽元素是相對路徑的情況，我們需要把它替換成絕對路徑

>>> html = '<img src="/images/category.png"><img src="/images/js_framework.png">'# 非貪婪模式就匹配的兩個img標簽# 你可以改成貪婪模式看看可以匹配幾個>>> rex = r'<img.*?src="(.*?)">'>>> re.findall(rex, html)['/images/category.png', '/images/js_framework.png']>>>

>>> def fun(match):...  img_tag = match.group()...  src = match.group(1)...  full_src = "http://foofish.net" + src...  new_img_tag = img_tag.replace(src, full_src)...  return new_img_tag...>>> re.sub(rex, fun, html)<img src="http://foofish.net/images/category.png"><img src="http://foofish.net/images/js_framework.png">

sub 函數可以接受一個函數作為替換目標對象，函數返回值用來替換正則表達式匹配的部分，在這里，我把整個img標簽定義為一個正則表達式 r''，group() 返回的值是 <img src="/images/category.png"> ，而 group(1) 的返回值是 /images/category.png，最后，我用 replace 方法把相對路徑替換成絕對路徑。

到此，你應該對正則表達式有了初步的了解，現在我想你應該能解決文章開篇提的問題了。

正則表達式的基本介紹也到這里告一段落，雖然代碼示例中用了re模塊中的很多方法，但我還沒正式介紹該模塊，考慮到文章篇幅，我把這部分放在下篇，下篇將對re的常用方法進行介紹。

總結

以上就是這篇文章的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網的支持。