爬虫07-闲谈正则表达式（二）

大家好呀，昨天我们简单为正则表达式开了一个头，现在我们就开始继续讨论正则表达式的接下来的内容。

现在我们来讨论第二类匹配规则，我称之为“概括字符集”，主要讨论以下六种：

image.png

接下来，我们要代码一一来解释，看看各自的效果是怎么样的，首先看\d：

import re
target = '点赞数：12'
result = re.findall('\d', target)
# 这一行中的\d表示只要该位置上的字符是数字，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是['1', '2']
# 能看到，其实理想的是我们获取的结果是'12',别急，后面我们会讲到数量词，就能获取到。

再来看看\D：

import re
target = '点赞数：12'
result = re.findall('\D', target)
# 这一行中的\D表示只要该位置上的字符不是数字，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是['点', '赞', '数', '：']

再来看看\w：

import re
target = 'i love python_'
result = re.findall('\w', target)
# 这一行中的\w表示只要该位置上的字符是字母或者下划线，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是['i', 'l', 'o', 'v', 'e', 'p', 'y', 't', 'h', 'o', 'n', '_']

再来看看\W：

import re
target = 'i love python_'
result = re.findall('\W', target)
# 这一行中的\W表示只要该位置上的字符不是字母或者下划线，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是[' ', ' ']

再来看看\s：

import re
target = 'life is short \n i love python'
result = re.findall('\s', target)
# 这一行中的\s表示只要该位置上的字符是不可见字符，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是[' ', ' ', ' ', '\n', ' ', ' ', ' ']

再来看看\S：

import re
target = 'life is short \n i love python'
result = re.findall('\S', target)
# 这一行中的\S表示只要该位置上的字符不是不可见字符，就匹配成功，返回结果，一次只表示一个字符
print(result)
# 得到的结果是['l', 'i', 'f', 'e', 'i', 's', 's', 'h', 'o', 'r', 't', 'i', 'l', 'o', 'v', 'e', 'p', 'y', 't', 'h', 'o', 'n']

通过上述六个简单的例子，就能发现，单个地使用概括字符集意义并不大，无法达到我们想要的效果，往往需要结合数量词来使用，才会发挥出最大的效用。

接下来，我们来看看第三类匹配规则——数量词，并结合第二类概括字符集来实现某些功能：

image.png

假设现在我们获取到了一本英文书的全部内容，想要判断这本书有多少字数，该怎么做呢？

还是老规矩，我们通过代码来解释：

import re
content = 'To be or not to be,that is a question'
result = re.findall('\w{1,30}', content)
# 这一行中的\w表示一个字母或者_，{1,30}表示\w出现1次到30次之间，只要一个单词的长度在1-30之间就能被匹配出来
print(result)
# 得到的结果是['To', 'be', 'or', 'not', 'to', 'be', 'that', 'is', 'a', 'question']
print(len(result))
# 得到的结果是10，表明这本书有10个字

上述代码还是存在某些缺陷，万一某个英文单词的长度超过30了怎么办？所以我们应该换种方式来写：

import re
content = 'To be or not to be,that is a question'
result = re.findall('\w+', content)
# 这一行中的\w表示一个字母或者_，+表示\w出现1次或无限次数，只要一个单词的长度大于1就能被匹配出来
print(result)
# 得到的结果是['To', 'be', 'or', 'not', 'to', 'be', 'that', 'is', 'a', 'question']
print(len(result))
# 得到的结果是10，表明这本书有10个字

再来看一个很实用的例子，提取文章的点赞数或者评论数等等：

import re
content = '点赞数：12'
result = re.findall('\d{1,10}', content)
# 这一行中的\d表示一个数字字符，{1,10}表示这个\d出现1-10次都匹配成功，只要点赞数在0-9999999999之间都可以匹配出来。
# 同样可以这样写：
# result = re.findall('\d+', content)
print(result)
# 得到的结果是'12'

至此，数量词我们已经讨论了{}和+，至于？和，我们放在后面和贪婪与非贪婪一起讲，因为?和还有.经常连在一起使用。

今天的最后，我们再来讨论第四类匹配规则，边界匹配符：

image.png

同样的，我们用代码来解释，更直观一些：

import re
content = 'https://www.zhihu.com'
content1 = '/question/62749917/answer/576934857'
result = re.findall('^http.*', content)
# 这一行的^http表示匹配content的首部是http的内容，后面的.表示一个除换行符\n以外的所有字符，*表示.重复0次或无限多次，.*放在一起就是匹配除换行符以外的任意字符无限多次，这两个字符经常放在一起用，之后会单独讨论。
result1 = re.findall('^http.*', content1)
print(result)
# 得到的结果是['https://www.zhihu.com']
print(result1)
# 得到的结果是[]，因为content1并不是以http开头

通过上述例子，我们能发现^其实就相当于我们之间讲的字符串的一个方法，叫做startswith。

同样的，有startswith，当然会有类似于endswith的匹配规则，我们用代码来看下：

import re
content = 'https://www.zhihu.com/shiyue.png'
content1 = 'https://www.zhihu.com'
result = re.findall('.*png$', content)
# 这一行的.*和之前一样，表示png前面可以有除换行符之外的任意字符，png$表示匹配content以png结尾的内容。
result1 = re.findall('.*png$', content1)
print(result)
# 得到的结果是['https://www.zhihu.com/shiyue.png']
print(result1)
# 得到的结果是[]，因为content1不是以png结尾。

好啦，今天的分享就到这里结束了，我们明天来分享剩下的三类匹配规则，大家要动手实践哦，知识只有应用起来才能体现它存在的价值。