Python第23课：正则表达式
时间 2019-02-20 下午3：30
主讲 刘培富
地点 四楼电教室
正则表达式是对字符串进行特殊操作的一种逻辑公式，用于字符的匹配、过滤，python的正则表达式通过模块re来实现。
下面，通过匹配中文、字母、数字，及re.compile()，re.search()，re.findall()，re.sub()四个函数，来讲解正则表达式的用法。
一、匹配中文
x="<title>百度贴吧——全球最大的中文社区</title>void function(t,e"
怎样把里面的中文过滤出来呢？
import re
x="<title>百度贴吧——全球最大的中文社区</title>void function(t,e"
zz = re.compile("[\u4e00-\u9fa5]+")
m=zz.findall(x)
print(m)
可见，中文汉字的正则表达式如下，后面的+号，代表连续的中文，否则就是一个字。
[\u4e00-\u9fa5]+
re.compile()是正则表达式的对象化表达。
re.findall()代表把符合条件的所有记录都找出来。如果用re.search()，则只找第一条。如下图：
而且，findall()返回的是一个列表，而search()返回的只有第一条，及开始和结束位置，分别用.span()和.group()表达出来。这是区别。
二、匹配数字：
x="大陆《汉语大字典》记录汉字54678字，台湾《异体字字典》记录汉字106230字"
请把以上数字提取出来，怎么办呢？
可见，数字的正则表达式是：
[\d]+
非数字的正则表达式是：
[\D]+
三、匹配字母
x="单词Compile的意思是“汇编”，单词Void的意思是“空的”，这2个单词很常用。"
现在，要把里面的字母、数字都匹配出来，而且有大写字母、小写字母，怎么办呢？
可见，匹配字母、数字的正则表达式是：
[a-zA-Z0-9]+
四、任意匹配
x ="Tina is a good girl, she is cool, clever, and so on..."
现在，要把句子中带有 oo 的单词提取出来，怎么办？
正则表达式的写法是：
"\\w*oo\\w*"
或者：
r'\w*oo\w*'
含义如下：
1，字符串前面加r，表示防止\被转义。防止\被转义，也可以用\\，意思一样的。
2，\w 表示任意字符，但不含空格、逗号。
3，\w*表示多次匹配。
五、匹配修改
x="2016 年底我国高速铁路里程已达 2.2 万公里，跃居世界第一，初步形成了“四纵四横”的高速铁路网络;远期我国高速铁路网将达 4.5 万公里，形成“八纵八横”的高速铁路主通道。"
请在上述文字的数字后面加上 【注意】，怎么办？
使用了sub()函数。正则表达式的写法是：
([\d\.]+)
第二个参数中 \\1 代表被匹配的内容。
六、贪婪模式
以上是网络爬虫抓取到的一段源码，将其中的文章标题提取出来。方法如下：
用到的正则表达式是：
'.*?<li class="clearfix">.*?target="_blank">(.*?)</a></h3>.*?'
含义：
1，对于大段文字，使用'''三个单引号来表达。如果出现代码问题，需要在前面指定代码集 #coding=gbk
2，任意匹配的表达是.*?
3，匹配目标（.*?）
4，兼容内容换行的参数re.S
