通過前面的學習，我們知道了調用Requests庫可以爬取HTML頁面，調用Beautiful Soup庫可以解析HTML頁面。但是通常一個HTML頁面擁有非常多的信息，你總不能全部拿過來再手動修改吧，所以就需要使用Re正則表達式來提取頁面的關鍵信息。

正則表達式是什麼？

Re：Regular expression，可以簡潔、優雅的表達一組字符串的表達式。

舉個例子：

"Py"
"Pyt"
"Pyth"
"Pytho"
"Python"

以上這組字符串有什麼相似之處呢？沒錯，就是它們都是以”Py”開頭的。

我們用了五行才把所有的字符串枚舉一遍，如果換成使用Re呢？一行OK！

Py(t|th|tho|thon)?N

這只是五行字符串，如果是成千上萬行呢？那正則表達式用起來豈不是特別的爽。

“一行勝千言” — 正則表達式

正則表達式最最本質的特徵就是：簡潔、優雅、一行勝千言。

在我看來，就像是跟蘋果LOGO似的，極簡之美環繞其周。

還有一個詞：求同存異。

下面來看看正則表達式的語法：

正如上面所展示的，正則表達式由字符和操作符構成。

常用操作符

來看一些經典的正則表達式例子：

^[A-Za-z]+$ 由26個字母組成的字符串
^-?d+$ 整數形式的字符串
[1-9]d{5} 中國境內郵政編碼
d{3}-d{8}|d{4}-d{7} 國內電話號碼

Python中的Re庫

Python為正則表達式提供了標準庫Re，用於匹配字符串。

調用Re庫：

import re

正則表達式的表示類型：

• Re庫採用raw string類型表示正則表達式，形式為：r’text’。

例如：r'[1-9]d[5]’

raw string 類型是原生字符串類型，不能對轉義字符進行再次轉義。

• Re庫還可以採用string類型表示正則表達式，更為繁瑣，形式為’text’。

例如：'[1-9]\d{5}’

前一個”是轉義字符。

當正則表達式包含轉義字符時，更推薦使用raw string類型。

Re庫的基本方法：

先來介紹一下Match對象：

Match對象是一次匹配的結果，包含很多的匹配信息。

和response對象一樣，Match對象也有一些屬性和方法。

Match對象的屬性

Match對象的方法

前面已經介紹過如何調用對象的屬性和方法了，這裡就不再贅述，可以百度做深入了解。

Re庫的六個基本方法

下面着重講解一下search方法：

re.search(pattern, string, flags=0)

在一個字符串中搜索匹配正則表達式的第一個位置，返回Match對象。

• pattern：正則表達式的字符串或者原生字符串表示
• string：帶匹配的字符串
• flags：正則表達式使用時的控制標記

flags標記取值

# 使用search方法匹配字符串
match = re.search(r'[1-9]d{5}', 'A100001', flags=re.I)
# 匹配成功則返回匹配後的字符串
if match:
    print(match.group(0))

注意：Match對象返回匹配結果，所以說Match返回值是bool型變量，故用條件語句判斷。

Re庫的方法使用起來並沒有太大的難度，下面給出剩餘方法總結:

re.match(pattern, string, flags=0)

從一個字符串的開始位置起匹配正則表達式，返回Match對象。

參數同上。

re.findall(pattern, string, flags=0)

搜索字符串，以列表類型返回全部能匹配的子串。

參數同上。

re.split(pattern, string, maxsplit=0, flags=0)

將一個字符串按照正則表達式匹配結果進行分割，返回列表類型。

• maxsplit：最大分割數，剩餘部分作為最後一個元素輸出

re.finditer(pattern, string, flags=0)

搜索字符串，返回一個匹配結果的迭代類型，每個迭代元素都是Match對象。

參數同上。

for m in re.finditer(r'[1-9]d{5}', 'A100001 B100002'):
    if m:
        print(m.group(0))

re.sub(pattern, repl, string, count=0, flags=0)

在一個字符串中替換所有匹配正則表達式的子串，返回替換後的字符串。

• repl：替換匹配字符串的字符串
• count：匹配的最大替換次數

sub = re.sub(r'[1-9]d{5}', ',hello', 'A100001 B100002')
print(sub)

Re庫的等價用法

上面講解了Re庫六種基本方法的函數式用法，下面介紹另一種等價的面向對象的用法：

match = re.search(r'[1-9]d{5}', 'A100001')

cmp = re.compile(r'[1-9]d{5}')
match = cmp.search('A100001')

第一種是函數式用法，一次操作可以完成任務；第二種是面向對象用法，先將正則表達式的字符串形式編譯成正則表達式對象，再進行方法操作。兩種方法都是可以的，了解即可。

Re庫的貪婪匹配機制

在實際使用過程中，我們會遇上一個問題，如下：

match = re.search(r'PY.*N', 'PYANBNCN')

對這樣一個字符串，原則上是可以返回三個子串，即’PYAN’,’PYANBN’,’PYANBNCN’。但是我們調用match.group(0)查看時，該返回哪一個呢？

Re庫默認採用貪婪匹配機制，返回匹配中最長的子串，也就是返回’PYANBNCN’了。

那又有一個問題了，當我們想要輸出最短的子串該怎麼辦呢？？

我們只需在操作符後面添加？即可輸出最小匹配了：

最小匹配

match = re.search(r'PY.*?N', 'PYANBNCN')
if match:
    print(match.group(0))

小結

本章講解了Python中正則表達式Re庫的入門級使用，正則表達式並不是Python所獨有的，很多地方都可以使用，在學習完Re庫後對其他語言和任務也都有一定的幫助。