爬虫之正则

\W        # 匹配字母数字及下划线
\W        # 匹配非字母数字下划线
\s        # 匹配任意空白字符，等价于[\t\n\r\f]
\S        # 匹配任意非空字符
\d        # 匹配任意数字，等价于[0-9]
\D        # 匹配任意非数字
\z        # 匹配字符串结束
\Z        # 匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串
\A        # 匹配字符串开始
\G        # 匹配最后匹配完成的位置
\n        # 匹配一个换行符
\t        # 匹配一个制表符
^         # 匹配字符串的开头
$         # 匹配字符串的末尾。
a|b       # 匹配a或b
.         # 匹配任意字符(除了换行符)，当re.DOTALL标记被指定时，则可以匹配包括换行符的任意字符
()        # 匹配括号内的表达式，也表示一个组
[...]     # 用来表示一组字符，单独列出：[abc] 匹配 a、b或c
[^...]    # 不在[]中的字符：[^abc] 匹配除了a、b、c之外的字符

?         # 匹配 0个 或 一个 由前面的正则表达式定义的片段，非贪婪方式
*         # 匹配 0个 或 多个
+         # 匹配 1个 或 多个
{n}       # 精确匹配n个前面表达式
{n, m}    # 匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式

result = re.match("^Hello.*Demo$", content)

import re

content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^Hello\s(\d+)\s.*Demo$", content)
print(result.group(1))  # 1234567

import re

content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^He.*(\d+).*Demo$", content)
print(result.group(1))  # 7

import re

content = "Hello 1234567 World_This is a Regex Demo"
result = re.match("^He.*?(\d+).*Demo$", content)
print(result.group(1))  # 1234567

??    # 匹配 0次 或 1次，但尽可能少重复
*?    # 匹配 任意次，但尽可能少重复
+?    # 匹配 1次 或 更多次，但尽可能少重复

import re

content = """Hello 1234567 World_This 
is a Regex Demo"""
result = re.match("^He.*?(\d+).*?Demo$", content)
print(result)  # None

result = re.match("^He.*?(\d+).*?Demo$", content, re.S)

import re

content = "price is $5.00"
result = re.match("price is $5.00", content)
print(result)  # None

import re

content = "price is $5.00"
result = re.match("price is \$5\.00", content)
print(result.group())  # price is $5.00

import re

content = "Extra stings Hello 1234567 World_This is a Regex Demo Extra stings"
result1 = re.match("Hello.*?(\d+).*?Demo", content)
print(result1)  # None

result2 = re.search("Hello.*?(\d+).*?Demo", content)
print(result2)  # <_sre.SRE_Match object; span=(13, 53), match=‘Hello 1234567 World_This is a Regex Demo‘>
print(result2.group(1))  # 1234567

html = ‘‘‘<div id="songs-list">
    <h2 class="title">经典老歌</h2>
    <p class="introduction">
        经典老歌列表
    </p>
    <ul id="list" class="list-group">
        <li data-view="2">一路上有你</li>
        <li data-view="7">
            <a href="/2.mp3" singer="任贤齐">沧海一声笑</a>
        </li>
        <li data-view="4" class="active">
            <a href="/3.mp3" singer="齐秦">往事随风</a>
        </li>
        <li data-view="6"><a href="/4.mp3" singer="beyond">光辉岁月</a></li>
        <li data-view="5"><a href="/5.mp3" singer="陈慧琳">记事本</a></li>
        <li data-view="5">
            <a href="/6.mp3" singer="邓丽君"><i class="fa fa-user"></i>但愿人长久</a>
        </li>
    </ul>
</div>‘‘‘

# 匹配带有active类的li标签
result = re.search(‘<li.*?active.*?singer="(.*?)">(.*?)</a>‘, html, re.S)
if result:
    print(result.group(1), result.group(2))  # 齐秦 往事随风

# 匹配li标签（只要匹配成功就返回）
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html, re.S)
if result:
    print(result.group(1), result.group(2))  # 任贤齐 沧海一声笑

# 匹配li标签（将re.S去掉）
result = re.search(‘<li.*?singer="(.*?)">(.*?)</a>‘, html)
if result:
    print(result.group(1), result.group(2))  # beyond 光辉岁月