正则表达式 这个词我们常常在爬虫相关的文章中见到，今天，我就简单整理回答下“正则表达式是什么？以及如何使用正则表达式？”这两个问题。

举个例子：找出<span>红色</span>中的颜色，我们先找规律，发现，我们要提取“红色”，这个文本前后分别是 >和<，我们当然可以说这是个规律，通过匹配左边是 > 右边是 < 来提取“红色”。但如果了解网页结构（或者看过网页源代码的）就知道 <...> 这是特有的形式。<span> 是一个行内标签的前半部分。知道这个信息的话，我们就会用想：要提取 "红色" 我们就要找到 <span> 还有 </span>，这就是规律，我们要先明确这个规律后，我们才能确定我们要写怎么样的匹配规则。不过这里我主要介绍Python怎么写正则表达式，以及不同含义的规则要怎么写。实际的匹配规则可能会很复杂，就是我们找的这个“规律”会比较复杂，既要保证找尽量全的数据，又要保证不找到哪些我们不要的，这里的“红色”这个例子，只是为了辅助大家理解举的小小的例子。

用 findall() 函数匹配

这个函数的用法很简单，导入 re 库，引入匹配规则和待解析文本即可，如下：

import re

# 解析提取的对象
text_ = xxx 
res = re.findall(匹配规则,text_)

匹配规则的符号

匹配规则是一串字符串，用一系列的符号组合来表示各式各样的规则，而每个符号的含义都是事先确定好的。通过这样的规则，来实现对原始文本进行提取或过滤。

（1）简单例子

待解析文本 src_text，规则是 \w\s\w。

import re

src_text = '''I love you.'''
rule_ = '\w\s\w' # 有时候规则会很长，直接写到findall太冗长，一般单独赋给一个变量
res_text = re.findall(rule_, src_text)

返回结果是：['I l','e y']，注意两点：匹配结果返回的是一个列表，findall 函数会把所有匹配上规则的字符串找出来。

（2）？的作用：贪婪->非贪婪匹配

这个正则表达式默认都是贪婪匹配，就是如果有 "." "*" "+" 这种可以表示任意长度字符的符号，都是默认匹配尽可能长的字符串出来，加上 "?" 后呢？就只是找从左到右最先匹配上的字符串，属于非贪婪的。

举个例子：待解析文本 src_text，规则是 .+o。

import re

src_text = '''I love you.'''
rule_ = '.+o' 
res_text = re.findall(rule_, src_text)

返回结果是：['I love yo']。当规则改为：.+?o。

import re

src_text = '''I love you.'''
rule_ = '.+?o' 
res_text = re.findall(rule_, src_text)

返回结果是：['I lo', 've yo']。它就是找到第一个匹配上规则的字符串后，再开始，找下一个匹配上规则的字符串，而没有加 "?" 则是尽可能地匹配上最长的字符串。

（3）常用且重要的匹配组合 .*?

这三个符号的组合，表示：重复0次或任意次的任意字符的非贪婪匹配。这个组合能匹配的内容很多，很常用。

举个例子：待解析文本 src_text，规则是 \s.*?\s。

import re

src_text = '''I love you.'''
rule_ = '\s.*?\s' 
res_text = re.findall(rule_, src_text)

返回结果是：[' love ']。它将匹配到前后文的字符串返回出来。

（4）括号( )获取式匹配

其实就是匹配并获取括号内的表达式。举个例子，当匹配规则含有不带()的表达式以及带()的表达式，则只返回带()表达式匹配的部分。

例子：待解析文本 src_text，规则是 \s.*?\s(.*?)u。

import re

src_text = '''I love you.'''
rule_ = '\s.*?\s(.*?)u' 
res_text = re.findall(rule_, src_text)

返回结果是：['yo']。而前面没有括号()的表达式匹配的内容则没有返回出来，但也是有进行匹配的。

（5）换行符号匹配

我们注意到那个符号含义的表，"." 的含义里面有一句 “换行符除外”，如果要匹配的内容，里面含有换行符，但是我又不知道这个换行符在哪个位置，也不知道有多少个换行符的话，就不能用 “\n” 去匹配，若还是要用 "." 匹配的话，需要在 findall() 函数中加上 re.S 参数即可。re.findall(rule_, src_text,re.S)

（6）匹配符号本身[ ]

看了上面的东西，有人就想问了，那我如果就是要匹配类似 "*" "." "?" 本身呢，那就在这些符号（表达式）的外面括上中括号即可。

推荐阅读：

网络爬虫是什么意思？（精简通俗版）

「Python网络爬虫1」利用 requests 获取知乎网页源代码