正则表达式极简入门¶

在文章后有补充一些例子以方便理解

1. 量词¶

1.1 ?¶

表示?前的字符可有可无

1.2 *¶

表示*前的字符可出现零次、一次或多次

1.3 +¶

表示+前的字符可出现一次或多次

1.4 {}¶

限定字符出现次数

{x,y}匹配出现次数在闭区间\([x,y]\)之间的内容，省略则到无穷或0

以上均可与括号搭配匹配多个字符

2. 运算¶

2.1 或¶

|表示选择运算符，同时匹配前后

2.2 预搜索¶

匹配后面是/不是exp1的exp2

(?=exp1)exp2
(?!exp1)exp2

匹配前面是/不是exp1的exp2

(?<=exp1)exp2
(?<!exp1)exp2

3. 字符类¶

3.1 按范围匹配¶

[]表示字符可以取自一个范围

例如：[abc] [a-zA-Z] [a-z0-9] [a-Z]

后方添加+表明匹配连续的一串，否则逐字符进行匹配

^表示取反

例如：[^a-zA-Z]表示匹配英文字母外的所有字符（包括换行符）

3.2 元字符¶

\d: 所有数字
\w: 单词——英文、数字、上下划线
\s: 空白符——空格 Tab 换行
\b: 单词字符的边界
\n: 换行符
\r: 回车符
\t: Tab
\v: 垂直制表符
\\: 转义，匹配\本身

W、S、D大写表示取反

.表示任意字符，不包括换行符

^在字符后只会匹配行首，$在字符后只会匹配行尾

3.3 贪婪匹配和懒惰匹配¶

对于<span><b> html </b></span>这样的内容<.+>会全部匹配（默认<属于.的范围>），需要使用<.+?>改为懒惰匹配

方法：在量词后加?

4. 例子¶

在爬虫中，我们常用.*?匹配所需要获取的链接等文字

例如下面这一正则表达式会匹配所有的超链接，注意?是必须的，否则会执行贪婪匹配：

<a href="(.*?)" class="img" target="_blank"

下面这个例子会在一大串文本（最好是中文）中匹配http(s)链接：

https{0,1}:[\/:a-zA-Z.%&=0-9-?+_]+

s后的大括号表示s可有可无，在其后的中括号列出了链接中可能出现的各种字符