【基础】数据提取技巧：正则表达式在爬虫中的应用

# 1. **2.1 正则表达式基础语法**

正则表达式（Regular Expression，简称 Regex）是一种强大的文本模式匹配工具，它使用一组特殊字符和语法规则来定义要匹配的文本模式。正则表达式的基础语法包括：

- **匹配字符：**`.` 匹配任意单个字符，`[abc]` 匹配方括号内的任何一个字符，`[^abc]` 匹配不在方括号内的任何字符。
- **重复匹配：** `*` 匹配前一个字符 0 次或多次，`+` 匹配前一个字符 1 次或多次，`?` 匹配前一个字符 0 次或 1 次。
- **分组：** `()` 将表达式分组，以便可以对其执行操作，例如引用或重复。
- **锚点：** `^` 匹配字符串的开头，`$` 匹配字符串的结尾。
- **转义字符：** `\` 转义特殊字符，使其不再具有特殊含义。

# 2. 正则表达式在数据提取中的应用

正则表达式（Regular Expression，简称 Regex）是一种强大的模式匹配语言，它允许我们使用简洁的语法来匹配和提取复杂的数据模式。在数据提取领域，正则表达式扮演着至关重要的角色，因为它可以帮助我们从非结构化文本中快速准确地提取所需信息。

### 2.1 正则表达式基础语法

正则表达式由一系列元字符和普通字符组成，元字符具有特殊的含义，而普通字符则匹配其本身。以下是一些常用的正则表达式元字符：

| 元字符 | 含义 |
|---|---|
| `.` | 匹配任何单个字符 |
| `*` | 匹配前一个字符零次或多次 |
| `+` | 匹配前一个字符一次或多次 |
| `?` | 匹配前一个字符零次或一次 |
| `[]` | 匹配方括号内的任何一个字符 |
| `^` | 匹配字符串的开头 |
| `$` | 匹配字符串的结尾 |

例如，以下正则表达式匹配以字母 "a" 开头的任何单词：

^a.*

### 2.2 正则表达式高级应用

除了基础语法之外，正则表达式还提供了许多高级功能，例如：

- **分组和引用：**使用圆括号 `()` 对子表达式进行分组，并使用 `\n` 引用第 n 个分组。
- **条件匹配：**使用 `|` 分隔符来匹配多个选项。
- **反向引用：**使用 `\b` 匹配单词边界。
- **贪婪和非贪婪匹配：**使用 `+?` 和 `*?` 来控制匹配的贪婪性。

### 2.3 正则表达式在数据提取中的实践

在数据提取中，正则表达式可以用于各种任务，例如：

- **提取电子邮件地址：**

[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4}

- **提取电话号码：**

(\d{3}[-.\s]??\d{3}[-.\s]??\d{4}|\(\d{3}\)\s*\d{3}[-.\s]??\d{4}|\d{3}[-.\s]??\d{4})

- **提取日期：**

(0[1-9]|[12]\d|3[01])[- /.](0[1-9]|1[012])[- /.](19|20)\d\d

**代码块：**

import re

text = "John Doe, 123 Main Street, Anytown, CA 12345, john.doe@example.com"

# 提取姓名
name = re.search(r"^(.*?),", text).group(1)

# 提取地址
address =