Python正则表达式与爬虫基础教程

"Python正则表达式与网络爬虫的基础知识" 正则表达式是Python编程中用于处理文本的强大工具，特别是在网络爬虫领域。它能够根据预定义的模式匹配和提取字符串中的信息，使得数据处理变得更为高效和灵活。 1. **基本概念** - **正则表达式**: 正则表达式是一种特殊的字符串序列，用于定义一种搜索模式。它可以用来检查一个字符串是否符合这个模式，或者根据这个模式进行替换、分割等操作。 - **匹配**: 正则表达式可以匹配单个字符串，如'python'匹配字符串'python'。 - **通配符**: 点号（.）是正则表达式中的一个通配符，它可以匹配除换行符外的任何单个字符。 2. **特殊字符转义** - **转义**: 在正则表达式中，一些字符具有特殊含义，如'.'。如果要匹配这些字符本身，需要在它们前面添加反斜杠（\）进行转义，如'\.'匹配字符'.'。 3. **字符集** - **中括号**：使用`[]`定义字符集，如`[a-z]`匹配小写字母，`[a-zA-Z0-9]`匹配字母和数字。 - **范围**: 可以在字符集中使用范围，如`[a-zA-Z]`代表所有大小写字母。 - **反转字符集**: 开头加`^`表示匹配不在字符集内的字符，如`[^abc]`匹配非a、b、c的字符。 4. **选择符** - **管道符号**: `|`用于创建选择符，如`python|perl`匹配'python'或'perl'。 5. **子模式** - **圆括号**: 使用`()`定义子模式，如`p(ython|erl)`匹配'python'或'perl'。 6. **可选项** - **问号**: `?`使子模式变为可选项，如`(http://)?`表示'http://'可能出现也可能不出现。 7. **重复子模式** - `*`: 表示0次或多次重复，如`w*\.python\.org`匹配'www.python.org'、'.python.org'等。 - `+`: 表示1次或多次重复，如`python+`匹配'python', 'pythonpython'等。 - `{m,n}`: 表示m到n次重复，如`w{1,3}\.python\.org`匹配'w.python.org'、'www.pyt