最近在MOOC上学习嵩天老师的《Python网络爬虫与信息提取》，非常好的一门课程。相比互联网上其他爬虫教程，这门课的优势在于系统性。该课程用较短的时间介绍了入门爬虫的知识点，并辅以实例练习，帮助学习者快速搭建起一个爬虫的知识框架。
此为正则表达式部分的课程笔记。
正则表达式（regular expression），简称 regex，或 RE，是用来简洁表达一组字符串的表达式，是一种通用的字符串表达框架。正则表达式可用一行字符串来表达有限或无限个字符串的特征。在网络爬虫的过程中，可以在解析好的网页文本中搜索满足一定特征的字符串。
文中的部分图片来自嵩天老师的课程课件截图。
正则表达式的应用范围很广阔，不仅仅用在python中。因此学习正则表达式的重中之重在于学习正则表达式的常用操作符，学会自己按照需要编写正则表达式语句。本文分为两个部分。第一个部分介绍正则表达式的基础语法并辅以一些经典实例；第二部分介绍python中的RE库，该库可以编译正则表达式语句，并实现文本查找匹配以及修改的功能。
一、 正则表达式的语法
image.png
正则表达式语句就是由这些操作符组合而成的。上述操作符右侧的实例，说明了该操作符的简单用法。在实际应用中，需要结合实际场景，通过各种操作符的组合来编写出正则表达式。以下是一些应用正则表达式的经典案例，理解这些案例，有助于你更好地理解正则表达式操作符的用法。
image.png
二、 RE库的使用
RE库是python中用来解析正则表达式的库。
调用方式：import re
小知识：raw string，是不包含对转义符再次转义的字符串。使用方式为在普通字符串前加个r，即可忽略字符串中出现的转义字符。例如：fpath = r"c:\program"，在python中等价于fpath = "c:\\program"。用此方法使得字符串表达更简洁。
image.png
re库常见函数解析
re.search(pattern,string,flags=0)
re.match(pattern,string,flags=0)
re.findall(pattern,string,flags=0)
re.split(pattern,string,maxsplit=0,flags=0)
re.finditer(pattern,string,flags=0)
re.sub(pattern,repl, string,count=0,flags=0)
pattern: 正则表达式字符串
string: 待匹配字符串
flags: 正则表达式使用时的控制标记
maxsplit：最大分割次数限制，当达到最大分割次数后，后续的文本不再分割。
repl：匹配的字符串
count: 最大替换次数，达到此次数后不再替换。
image.png
RE库的两种用法
- 用法一
rst=re.search(r'[1‐9]\d{5}', 'BIT 100081')
- 用法二
pat=re.compile(r'[1‐9]\d{5}') #将正则表达式字符串编译成正则表达式对象，可重复使用
rst=pat.search('BIT 100081')
image.png
以上是正则表达式对象的方法，与正则表达式库函数的用法类似。
