Python 爬虫-正则表达式（补）

2017-08-08 18:37:29

一、Python中正则表达式使用原生字符串的几点说明

• 原生字符串和普通字符串的不同

相较于普通字符串，原生字符串中的\就是反斜杠，并不表达转义。不过，字符串转成正则表达式的时候会将其中的\理解为转义字符，这点需要注意。

• 为什么使用原生字符串

使用原生字符串是为了更好的表达正则表达式。若采用普通字符串，将会产生两次字符串的解释。

举两个例子：

（1）在正则表达式中匹配 \

使用普通字符串："\\\\"->'\'，原因是如果使用普通字符串，那么Python会将其中的\理解为转义字符，所以传给正则表达式的其实是“\\”，此时正则表达式也会将\理解为转义字符，所以讲“\\”理解为普通的\。

使用原生字符串：r“\\”->'\'，原因是使用了原生字符串，简化了第一步的转义操作，所以给正则表达式的就是“\\”， 所以正则表达式会把其解释为\。

（2）在正则表达式中使用元字符\d

众所周知\d用来匹配一个数字字符，等价于 [0-9]。

使用普通字符串：“\\d”->\d"，原因其实和刚才的是一样的，Python字符串解释的时候会将反斜杠理解为转义字符，所以提交给正则表达式的时候其实是‘\d’，这样就符合要求了。

使用原生字符串：r‘\d’->'\d'，使用原生字符串的话，就直接是\d就可以了，这就体现出了使用原生字符串的优势。

通过查阅资料，使用原生字符串的时候，发现需要对一些特殊字符进行转义，需要转义的特殊字符有* . ? + $ ^ [ ] ( ) { } | \ /。

二、正则表达式详细的语法说明

三、最小匹配问题

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。考虑这个表达式：a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。