59 《零基礎入門學習Python》筆記 第059講：論一隻爬蟲的自我修養7：正則表達式3

《零基礎入門學習Python》筆記  第059講：論一隻爬蟲的自我修養7：正則表達式3

今天我們先接著上節課的內容，把  Python3正則表達式特殊符號及用法（詳細列表）這個表格講完：

上節課我們介紹了正則表達式的特殊字符中的元字符，正則表達式的特殊字符除了元字符之外呢，還有一種就是通過反斜杠加上一個普通字符組成的特殊符號。我們接下來談談它們的含義。

\序號，這個我們上節課已經講過了，序號就是數字：

①引用序號對應的子組所匹配的字符串，此時序號的範圍是1~99，子組的序號是從1 開始計算。

②如果序號是以0開頭，或者3位數字的長度。那麼不會被用於引用對應的子組，而是用於匹配八進制數字所表示的ASCII碼值對應的字符。

這在上節課已經講過了，我們接下來就講上節課沒有講過的：

\A ：這個符號在默認情況下和托字符（^）是一樣的，都是匹配輸入字符串的開始位置。也就是說，要是前面是\A 或者^ 符號，那麼這個字符就必須出現在字符串的開頭，才能算是匹配。有不懂的，可以查看上節課托字符（^）的講解。

\Z：這個符號在默認情況下和美元符號（$）是一樣的，都表示匹配輸入字符串的結束位置。

我們上面兩條都說的是默認情況下，但不是說完全一樣的。因為正則表達式還有一個編譯標誌的設置，如果說你設置了一個re.MULTILINE 標誌，那麼托字符（^）也匹配換行符之後的位置，同時，美元符號（$）也匹配換行符之前的位置。

但是呢，無論你設不設置這個標誌，這個\A 和\Z 都只能匹配字符串的開頭和結束位置。

像這種匹配位置的字符，我們給它們一個名字，叫做臨框斷言，言外之意就是它們不會匹配任何字符，它們只用於定位一個位置。

\b 也是一個臨框斷言，它是匹配一個單詞的邊界，單詞被定義為Unidcode 的字母數字或下橫線字符。舉個例子：

>>> import re








>>> re.findall(r"\bFishC\b", "FishC.com!FishC_com!(FishC)")








['FishC', 'FishC']

上面只找到了兩個FishC，你知道它哪一個FishC沒有找到嗎？（事實上是FishC_com 中的FishC），因為下劃線也被認為是單詞字符，不是邊界。點號（.）感嘆號（!）、括號都被認為是單詞邊界。

接下來是\B，其實就是與\b 相反，匹配非單詞邊界。

舉個例子：py\B 會匹配字符串"python"、"py3"或"py2"，但不會匹配"py "、"py."或"py!"

\d：① 對於Unicode（str 類型）模式：匹配任何一個數字，包括[0-9] 和其他數字字符；如果開啟了re.ASCII 標誌，就只匹配[0-9]。

② 對於8 位（bytes 類型）模式：匹配[0-9] 中任何一個數字。

\D：與\d 相反，匹配任何非Unicode 的數字；如果開啟了re.ASCII 標誌，則相當於匹配[^0-9]。

\s ：①對於Unicode（str類型）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）；如果開啟了re.ASCII標誌，就只匹配[ \t\n\r\f\v]

② 對於8 位（bytes 類型）模式：匹配ASCII 中定義的空白字符，即[ \t\n\r\f\v]

\w：①對於Unicode（str類型）模式：匹配任何Unicode的單詞字符，基本上所有語言的字符都可以匹配，當然也包括數字和下橫線；如果開啟了re.ASCII標誌，就只匹配[ a-zA-Z0-9_]

什麼是單詞字符？對於英文（就是ASCII）的話，像“Python”，P y t h o n 這6個字符都是單詞字符，還有數字和下橫線也是。如果是Unicode 的話， Unicode 是全球化的語言，像中文，中文什麼是單詞字符？例如“我愛Python”，其中的 我 愛 這兩個漢字也是單詞字符。

② 對於8 位（bytes 類型）模式：匹配ASCII 中定義的字母數字，即[a-zA-Z0-9_]

舉個例子：

>>> re.findall(r"\w", "我爱Python3 (love_python.com!)")








['我', '爱', 'P', 'y', 't', 'h', 'o', 'n', '3', 'l', 'o', 'v', 'e', '_', 'p', 'y', 't', 'h', 'o', 'n', 'c', 'o', 'm']

除了空格括號點號感嘆號，其它的漢字、字母、下橫線、數字都是單詞字符。

\W ：其實就是與\w 相反， 匹配任何非Unicode 的單詞字符，；如果開啟了re.ASCII 標誌，則相當於[^a-zA-Z0-9_]

最後，正則表達式還支持大部分Python 字符串的轉義符號：\a，\b，\f，\n，\r，\t，\u，\U，\v，\x，\\

注1：\b通常用於匹配一個單詞邊界，只有在字符類中才表示“退格”

注2：\u 和\U 只有在Unicode 模式下才會被識別

注3：八進制轉義（\數字）是有限制的，如果第一個數字是0，或者如果有3 個八進制數字，那麼就被認為是八進制數；其他情況則被認為是子組引用；至於字符串，八進制轉義總是最多只能是3 個數字的長度。

 Python3正則表達式特殊符號及用法（詳細列表）這個表格終於講解完畢了，還是那句話，別死記硬背，查用就行。

接下來講解下一個內容：編譯正則表達式：

什麼情況下需要編譯正則表達式？

如果你需要重複地使用某個正則表表達式，那麼你可以先把該正則表達式編譯成模式對象。

我們使用re.compile()方法來編譯……

re.compile 函數

compile 函數用於編譯正則表達式，生成一個正則表達式（ Pattern ）對象，供match() 和search() 這兩個函數使用。

語法格式為：

re.compile(pattern[, flags])

參數：

• pattern : 一個字符串形式的正則表達式
• flags : 可選，表示匹配模式，比如忽略大小寫，多行模式等，具體參數為：
  1. re.I  忽略大小寫
  2. re.L  表示特殊字符集\w, \W, \b, \B, \s, \S依賴於當前環境
  3. re.M  多行模式
  4. re.S  即為.並且包括換行符在內的任意字符（.不包括換行符）
  5. re.U  表示特殊字符集\w, \W, \b, \B, \d, \D, \s, \S依賴於Unicode字符屬性數據庫
  6. re.X  為了增加可讀性，忽略空格和#後面的註釋

      關於這6個編譯標誌的詳解可以查看  Python3如何優雅地使用正則表達式（詳解三）

>>> p = re.compile(r"[A-Z]")








>>> type(p)








<class '_sre.SRE_Pattern'>

我們把正則表達式[AZ] 進行編譯，賦值給一個變量p，這個變量p 就是一個模式對象。

我們可以直接使用p 進行search() 方法和findall() 方法 的使用：

>>> p.search("I love Python")








<_sre.SRE_Match object; span=(0, 1), match='I'>








>>> p.findall("I love Python")








['I', 'P']

有些朋友可能會問，你是使用模塊級別的方法效率比較高，還是說使用編譯後的方法效率比較高，其實這個沒有一定的定論，因為兩種的優化差不多。這裡，如果你至少需要使用一次正則表達式，你直接使用模塊級別的方法就可以了，但是呢，如果你下面要多次使用這個正則表達式，你就可以先對其進行編譯，再使用，這樣更方便。我們以方便為主，既然學習Python，就不要多考慮效率的問題了，能優化的，Python的設計者都已經優化得差不多了。

接下來我們來談談這個編譯標誌。

我們在  Python3如何優雅地使用正則表達式（詳解三）裡有仔細的給大家列舉出來。

編譯標誌讓你可以修改正則表達式的工作方式。在re 模塊下，編譯標誌均有兩個名字：完整名和簡寫。

我們需要提一點的是 VERBOSE（簡寫X）這個標誌，使用re.VERBOSE（或者re.X）在某些時候能給我們帶來很多好處。

因為呢，稍微一個中等複雜度的正則表達式，你就會把它寫成人模狗樣，非常非常的複雜，為什麼呢？因為我們上節課已經說過了，正則表達式裡你不能隨便加空格，因為空格它會被認為是其中的一個匹配元素，你不能加空格，不能加Tab 鍵，不能使用三重引號換行，所以呢，你寫出來的東西就會看起來很難理解。但是如果你開啟了 VERBOSE，它就是支持空格，支持Tab鍵，支持換行，也支持註釋的。

• 點贊
• 評論
• 分享
• 收藏6
• 手機看
• 打賞
• 
• 關注