写爬虫，怎么可以不会正则呢？
本文转自公众号『大龄码农的Python之路』
很多人觉得正则很难，在我看来，这些人一定是没有用心。其实正则很简单，根据二八原则，我们只需要懂 20% 的内容就可以解决 80% 的问题了。我曾经有几年几乎每天都跟正则打交道，刚接手项目的时候我对正则也是一无所知，花半小时百度了一下，然后写了几个 demo，就开始正式接手了。三年多时间，我用到的正则鲜有超出我最初半小时百度到的知识的。
1、正则基础
1.1、基础语法
（1）常用元字符
语法 | 描述 |
|---|---|
\b | 匹配单词的开始或结束 |
\d | 匹配数字 |
\s | 匹配任意不可见字符（空格、换行符、制表符等），等价于[ \f\n\r\t\v]。 |
\w | 匹配任意 Unicode 字符集，包括字母、数字、下划线、汉字等 |
. | 匹配除换行符（\n）以外的任意字符 |
^ 或 \A | 匹配字符串或行的起始位置 |
$ 或 \Z | 匹配字符串或行的结束位置 |
（2）限定词（又叫量词）
语法 | 描述 |
|---|---|
* | 重复零次或更多次 |
+ | 重复一次或更多次 |
? | 重复零次或一次 |
{n} | 重复 n 次 |
{n,} | 重复 n 次或更多次 |
{n,m} | 重复 n 到 m 次 |
（3）常用反义词
语法 | 描述 |
|---|---|
\B | 匹配非单词的开始或结束 |
\D | 匹配非数字 |
\S | 匹配任意可见字符， [^ \f\n\r\t\v] |
\W | 匹配任意非 Unicode 字符集 |
[^abc] | 除 a、b、c 以外的任意字符 |
（4）字符族
语法 | 描述 |
|---|---|
[abc] | a、b 或 c |
[^abc] | 除 a、b、c 以外的任意字符 |
[a-zA-Z] | a 到 z 或 A 到 Z |
[a-d[m-p]] | a 到 d 或 m 到 p，即 [a-dm-p]（并集） |
[a-z&&[def]] | d、e 或 f（交集） |
[a-z&&[^bc]] | a 到 z，除了 b 和 c：[ad-z]（减去） |
[a-z&&[^m-p]] | a 到 z，减去 m 到 p：[a-lq-z]（减去） |
以上便是正则的基础内容，下面来写两个例子看下：
s = '123abc你好'
re.search('\d+', s).group()
re.search('\w+', s).group()
结果：
123
123abc你好
是不是很简单？
1.2、修饰符
修饰符在各语言中也是有差异的。
Python 中的修饰符：
修饰符 | 描述 |
|---|---|
re.A | 匹配 ASCII字符类，影响 \w, \W, \b, \B, \d, \D |
re.I | 忽略大小写 |
re.L | 做本地化识别匹配（这个极少极少使用） |
re.M | 多行匹配，影响 ^ 和 $ |
re.S | 使 . 匹配包括换行符（\n）在内的所有字符 |
re.U | 匹配 Unicode 字符集。与 re.A 相对，这是默认设置 |
re.X | 忽略空格和 # 后面的注释以获得看起来更易懂的正则。 |
（1）re.A
修饰符 A 使 \w 只匹配 ASCII 字符，\W 匹配非 ASCII 字符。
s = '123abc你好'
re.search('\w+', s, re.A).group()
re.search('\W+', s, re.A).group()
结果：
123abc
你好
但是描述中还有 \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！
s = '０１２３４５６７８９' # 全角数字
re.search('\d+', s, re.U).group()
结果：
０１２３４５６７８９
（2）re.M 多行匹配的模式其实也不常用，很少有一行行规整的数据。
s = 'aaa\r\nbbb\r\nccc'
re.findall('^[\s\w]*?$', s)
re.findall('^[\s\w]*?$', s, re.M)
结果：
['aaa\r\nbbb\r\nccc'] # 单行模式
['aaa\r', 'bbb\r', 'ccc'] # 多行模式
（3）re.S 这个简单，直接看个例子。
s = 'aaa\r\nbbb\r\nccc'
re.findall('^.*', s)
re.findall('^.*', s, re.S)
结果：
['aaa\r']
['aaa\r\nbbb\r\nccc']
（4）re.X 用法如下：
rc = re.compile(r"""
\d+ # 匹配数字
# 和字母
[a-zA-Z]+
""", re.X)
rc.search('123abc').group()
结果：
123abc
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。
（5）(?aiLmsux)
修饰符不仅可以代码中指定，也可以在正则中指定。(?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：
s = '123abc你好'
re.search('(?a)\w+', s).group()
re.search('\w+', s, re.A).group()
结果是一样的：
123abc
123abc
1.3、贪婪与懒惰
当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。
s = 'aabab'
re.search('a.*b', s).group() # 这就是贪婪
re.search('a.*?b', s).group() # 这就是懒惰
结果：
aabab
aab
简单来说：
- 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
语法 | 描述 |
|---|---|
(exp) | 匹配exp，并捕获文本到自动命名的组里 |
(?Pexp) | 匹配exp，并捕获文本到名称为 name 的组里 |
(?:exp) | 匹配exp，不捕获匹配的文本，也不给此分组分配组号 |
(?P=name) | 匹配之前由名为 name 的组匹配的文本 |
注意：在其他语言或者网上的一些正则工具中，分组命名的语法是
(?<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)
示例一：
分组可以让我们用一条正则提取出多个信息，例如：
s = '姓名：张三；性别：男；电话：138123456789'
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}')
结果：
name:张三, phone:13812345678
示例二：
(?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：
s = '''
<name>张三</name>
<age>30</age>
<phone>138123456789</phone>
'''
pattern = r'<(?P<name>.*?)>(.*?)</(?P=name)>'
It = re.findall(pattern, s)
结果：
[('name', '张三'), ('age', '30'), ('phone', '138123456789')]
2.2、零宽断言
语法 | 描述 |
|---|---|
(?=exp) | 匹配exp前面的位置 |
(?<=exp) | 匹配exp后面的位置 |
(?!exp) | 匹配后面跟的不是exp的位置 |
(?<!exp) | 匹配前面不是exp的位置 |
注意：正则中常用的前项界定
(?<=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) # 正确
(?<=aaa|bbb) # 正确
(?<=aaa|bb) # 错误
(?<=\d+) # 错误
(?<=\d{3}) # 正确
2.3、条件匹配
这大概是最复杂的正则表达式了。语法如下：
语法 | 描述 |
|---|---|
(?(id/name)yes|no) | 如果指定分组存在，则匹配 yes 模式，否则匹配 no 模式 |
此语法极少用到，印象中只用过一次。
以下示例的要求是：如果以 _ 开头，则以字母结尾，否则以数字结尾。
s1 = '_abcd'
s2 = 'abc1'
pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'
re.search(pattern, s1).group()
re.search(pattern, s2).group()
结果：
_abcd
abc1
2.4、findall
Python 中的 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：
Return a list of all non-overlapping matches in the string.
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.
简单来说，就是
- 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。
看下面的例子：
s = 'aaa123bbb456ccc'
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
结果：
['aaa123', 'bbb456']
['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
其实正则就像是一个数学公式，会背公式不一定会做题。但其实这公式一点也不难，至少比学校里学的数学简单多了，多练习几次也就会了。