通过前面的学习，我们知道了调用Requests库可以爬取HTML页面，调用Beautiful Soup库可以解析HTML页面。但是通常一个HTML页面拥有非常多的信息，你总不能全部拿过来再手动修改吧，所以就需要使用Re正则表达式来提取页面的关键信息。

正则表达式是什么？

Re：Regular expression，可以简洁、优雅的表达一组字符串的表达式。

举个例子：

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

以上这组字符串有什么相似之处呢？没错，就是它们都是以”Py”开头的。

我们用了五行才把所有的字符串枚举一遍，如果换成使用Re呢？一行OK！

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

这只是五行字符串，如果是成千上万行呢？那正则表达式用起来岂不是特别的爽。

“一行胜千言” — 正则表达式

正则表达式最最本质的特征就是：简洁、优雅、一行胜千言。

在我看来，就像是跟苹果LOGO似的，极简之美环绕其周。

还有一个词：求同存异。

下面来看看正则表达式的语法：

正如上面所展示的，正则表达式由字符和操作符构成。

常用操作符

来看一些经典的正则表达式例子：

^[A-Za-z]+$ 由26个字母组成的字符串
^-?d+$ 整数形式的字符串
[1-9]d{5} 中国境内邮政编码
d{3}-d{8}|d{4}-d{7} 国内电话号码

Python中的Re库

Python为正则表达式提供了标准库Re，用于匹配字符串。

调用Re库：

import re

正则表达式的表示类型：

• Re库采用raw string类型表示正则表达式，形式为：r’text’。

例如：r'[1-9]d[5]’

raw string 类型是原生字符串类型，不能对转义字符进行再次转义。

• Re库还可以采用string类型表示正则表达式，更为繁琐，形式为’text’。

例如：'[1-9]\d{5}’

前一个”是转义字符。

当正则表达式包含转义字符时，更推荐使用raw string类型。

Re库的基本方法：

先来介绍一下Match对象：

Match对象是一次匹配的结果，包含很多的匹配信息。

和response对象一样，Match对象也有一些属性和方法。

Match对象的属性

Match对象的方法

前面已经介绍过如何调用对象的属性和方法了，这里就不再赘述，可以百度做深入了解。

Re库的六个基本方法

下面着重讲解一下search方法：

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

在一个字符串中搜索匹配正则表达式的第一个位置，返回Match对象。

• pattern：正则表达式的字符串或者原生字符串表示
• string：带匹配的字符串
• flags：正则表达式使用时的控制标记

flags标记取值

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

注意：Match对象返回匹配结果，所以说Match返回值是bool型变量，故用条件语句判断。

Re库的方法使用起来并没有太大的难度，下面给出剩余方法总结:

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

从一个字符串的开始位置起匹配正则表达式，返回Match对象。

参数同上。

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

搜索字符串，以列表类型返回全部能匹配的子串。

参数同上。

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

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型。

• maxsplit：最大分割数，剩余部分作为最后一个元素输出

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

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素都是Match对象。

参数同上。

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)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。

• repl：替换匹配字符串的字符串
• count：匹配的最大替换次数

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

Re库的等价用法

上面讲解了Re库六种基本方法的函数式用法，下面介绍另一种等价的面向对象的用法：

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

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

第一种是函数式用法，一次操作可以完成任务；第二种是面向对象用法，先将正则表达式的字符串形式编译成正则表达式对象，再进行方法操作。两种方法都是可以的，了解即可。

Re库的贪婪匹配机制

在实际使用过程中，我们会遇上一个问题，如下：

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

对这样一个字符串，原则上是可以返回三个子串，即’PYAN’,’PYANBN’,’PYANBNCN’。但是我们调用match.group(0)查看时，该返回哪一个呢？

Re库默认采用贪婪匹配机制，返回匹配中最长的子串，也就是返回’PYANBNCN’了。

那又有一个问题了，当我们想要输出最短的子串该怎么办呢？？

我们只需在操作符后面添加？即可输出最小匹配了：

最小匹配

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

小结

本章讲解了Python中正则表达式Re库的入门级使用，正则表达式并不是Python所独有的，很多地方都可以使用，在学习完Re库后对其他语言和任务也都有一定的帮助。