第五十八课:论一只爬虫的自我修养:特殊符号及用法

内容来源于网络,本人只是在此稍作整理,如有涉及版权问题,归小甲鱼官方所有。
PS:好久没更新了,现在继续更新,继续加油!

0.请写下这一节课你学习到的内容:格式不限,回忆并复述是加强记忆的好方式!

  • 下表是Python3正则表达式特殊符号及用法。
符号 含义
. 表示匹配除了换行符外的任何字符。注:通过设置 re.DOTALL 标志可以使 . 匹配任何字符(包含换行符)
| A | B,表示匹配正则表达式 A 或者 B
^ (脱字符)匹配输入字符串的开始位置。如果设置了 re.MULTILINE 标志,^ 也匹配换行符之后的位置
$ 匹配输入字符串的结束位置。如果设置了 re.MULTILINE 标志,$ 也匹配换行符之前的位置
\ 将一个普通字符变成特殊字符,例如 \d 表示匹配所有十进制数字。 解除元字符的特殊功能,例如 . 表示匹配点号本身。引用序号对应的子组所匹配的字符串
[...] 字符类,匹配所包含的任意一个字符。注:连字符 - 如果出现在字符串中间表示字符范围描述;如果出现在首位则仅作为普通字符。特殊字符仅有反斜线 \ 保持特殊含义,用于转义字符。其它特殊字符如 *、+、? 等均作为普通字符匹配。脱字符 ^ 如果出现在首位则表示匹配不包含其中的任意字符;如果 ^ 出现在字符串中间就仅作为普通字符匹配
{M,N} M 和 N 均为非负整数,其中 M <= N,表示前边的 RE 匹配 M ~ N 次。注:{M,} 表示至少匹配 M 次;{,N} 等价于 {0,N};{N} 表示需要匹配 N 次
* 匹配前面的子表达式零次或多次,等价于 {0,}
+ 匹配前面的子表达式一次或多次,等价于 {1,}
? 匹配前面的子表达式零次或一次,等价于 {0,1}
*?, +?, ?? 默认情况下 、+ 和 ? 的匹配模式是贪婪模式(即会尽可能多地匹配符合规则的字符串);?、+? 和 ?? 表示启用对应的非贪婪模式。举个例子:对于字符串 "FishCCC",正则表达式 FishC+ 会匹配整个字符串,而 FishC+? 则匹配 "FishC"
{M,N}? 同上,启用非贪婪模式,即只匹配 M 次
(...) 匹配圆括号中的正则表达式,或者指定一个子组的开始和结束位置。注:子组的内容可以在匹配之后被 \数字 再次引用 。举个例子:(\w+) \1 可以字符串 "FishC FishC.com" 中的 "FishC FishC"(注意有空格)
(?...) (? 开头的表示为正则表达式的扩展语法(下边这些是 Python 支持的所有扩展语法)
(?aiLmsux) 1. (? 后可以紧跟着 'a','i','L','m','s','u','x' 中的一个或多个字符,只能在正则表达式的开头使用。2. 每一个字符对应一种匹配标志:re-A(只匹配 ASCII 字符),re-I(忽略大小写),re-L(区域设置),re-M(多行模式), re-S(. 匹配任何符号),re-X(详细表达式),包含这些字符将会影响整个正则表达式的规则。3. 当你不想通过 re.compile() 设置正则表达式标志,这种方法就非常有用啦。注意,由于 (?x) 决定正则表达式如何被解析,所以它应该总是被放在最前边(最多允许前边有空白符)。如果 (?x) 的前边是非空白字符,那么 (?x) 就发挥不了作用了
(?:...) 非捕获组,即该子组匹配的字符串无法从后边获取
(?P<name>...) 命名组,通过组的名字(name)即可访问到子组匹配的字符串
(?P=name) 反向引用一个命名组,它匹配指定命名组匹配的任何内容
(?#...) 注释,括号中的内容将被忽略
(?=...) 前向肯定断言。如果当前包含的正则表达式(这里以 ... 表示)在当前位置成功匹配,则代表成功,否则失败。一旦该部分正则表达式被匹配引擎尝试过,就不会继续进行匹配了;剩下的模式在此断言开始的地方继续尝试。举个例子:love(?=FishC) 只匹配后边紧跟着 "FishC" 的字符串 "love"
(?!...) 前向否定断言。这跟前向肯定断言相反(不匹配则表示成功,匹配表示失败)。举个例子:FishC(?!.com) 只匹配后边不是 ".com" 的字符串 "FishC"
(?<=...) 后向肯定断言。跟前向肯定断言一样,只是方向相反。举个例子:(?<=love)FishC 只匹配前边紧跟着 "love" 的字符串 "FishC"
(?<!...) 后向否定断言。跟前向肯定断言一样,只是方向相反。举个例子:(?<!FishC).com 只匹配前边不是 "FishC" 的字符串 ".com"
(?(id/name)yes-pattern|no-pattern) 1. 如果子组的序号或名字存在的话,则尝试 yes-pattern 匹配模式;否则尝试 no-pattern 匹配模式。2. no-pattern 是可选的。举个例子:(<)?(\w+@\w+(?:.\w+)+)(?(1)>|$) 是一个匹配邮件格式的正则表达式,可以匹配 user@fishc.com 和 'user@fishc.com',但是不会匹配 '<user@fishc.com' 或 'user@fishc.com>'
\ 下边列举了由字符 '' 和另一个字符组成的特殊含义。注意,'' + 元字符的组合可以解除元字符的特殊功能
\序号 1. 引用序号对应的子组所匹配的字符串,子组的序号从 1 开始计算。2. 如果序号是以 0 开头,或者 3 个数字的长度。那么不会被用于引用对应的子组,而是用于匹配八进制数字所表示的 ASCII 码值对应的字符。举个例子:(.+) \1 会匹配 "FishC FishC" 或 "55 55",但不会匹配 "FishCFishC"(注意,因为子组后边还有一个空格)
\A 匹配输入字符串的开始位置
\Z 匹配输入字符串的结束位置
\b 匹配一个单词边界,单词被定义为 Unidcode 的字母数字或下横线字符。举个例子:\bFishC\b 会匹配字符串 "love FishC"、FishC." 或 "(FishC)"
\B 匹配非单词边界,其实就是与 \b 相反。举个例子:py\B 会匹配字符串 "python"、"py3" 或 "py2",但不会匹配 "py "、"py." 或 "py!"
\d 1. 对于 Unicode(str 类型)模式:匹配任何一个数字,包括 [0-9] 和其他数字字符;如果开启了 re.ASCII 标志,就只匹配 [0-9]。2. 对于 8 位(bytes 类型)模式:匹配 [0-9] 中任何一个数字
\D 匹配任何非 Unicode 的数字,其实就是与 \d 相反;如果开启了 re.ASCII 标志,则相当于匹配 [^0-9]
\s 1. 对于 Unicode(str 类型)模式:匹配 Unicode 中的空白字符(包括 [ \t\n\r\f\v] 以及其他空白字符);如果开启了 re.ASCII 标志,就只匹配 [ \t\n\r\f\v]。2. 对于 8 位(bytes 类型)模式:匹配 ASCII 中定义的空白字符,即 [ \t\n\r\f\v]
\S 匹配任何非 Unicode 中的空白字符,其实就是与 \s 相反;如果开启了 re.ASCII 标志,则相当于匹配 [^ \t\n\r\f\v]
\w 1. 对于 Unicode(str 类型)模式:匹配任何 Unicode 的单词字符,基本上所有语言的字符都可以匹配,当然也包括数字和下横线;如果开启了 re.ASCII 标志,就只匹配 [a-zA-Z0-9_]。2. 对于 8 位(bytes 类型)模式:匹配 ASCII 中定义的字母数字,即 [a-zA-Z0-9_]
\W 匹配任何非 Unicode 的单词字符,其实就是与 \w 相反;如果开启了 re.ASCII 标志,则相当于 [^a-zA-Z0-9_]
转义符号 正则表达式还支持大部分 Python 字符串的转义符号:\a,\b,\f,\n,\r,\t,\u,\U,\v,\x,\\。注:\b 通常用于匹配一个单词边界,只有在字符类中才表示“退格”;\u 和 \U 只有在 Unicode 模式下才会被识别;八进制转义(\数字)是有限制的,如果第一个数字是 0,或者如果有 3 个八进制数字,那么就被认为是八进制数;其他情况则被认为是子组引用;至于字符串,八进制转义总是最多只能是 3 个数字的长度
  • 元字符
    正则表达式所有的元字符
    .    ^    $    *    +    ?    {}    []    \     |    ()

推荐阅读更多精彩内容