爬蟲篇前面的某一章了，我們要爬取網站頁面源代碼的數據，要從中獲取到我們想要的數據，是不是感覺很費力，確實費力對吧？那么有沒有什么有利的工具來解決這個問題呢？那就是這一篇博文的主題——
正則表達式簡介
1.概念理解
正則表達式（Regular expressions 也稱為 REs，或 regexes 或 regex patterns）本質上是一個微小的且高度專業化的編程語言。正則表達式是一個特殊的字符序列，它能幫助你方便的檢查一個字符串是否與某種模式匹配。使用正則表達式，你需要指定一些規則來描述那些你希望匹配的字符串集合。這些字符串集合可能包含英語句子，e-mail 地址，任何你想要的東東。正則表達式模式被編譯成一系列的字節碼，然后由一個 C 語言寫的匹配引擎所執行（正因為正則表達式引擎是用 C 語言寫的，所以效率是極高）。對於高級的使用，你可能需要更關注匹配引擎是如何執行給定的 re，並通過一定的方式來編寫 re，以便產生一個可以運行得更快的字節碼。利用正則表達式，可以處理你 98% 的文本任務。
正則表達式對於Python來說並不是獨有的。它被嵌入到 Python 中，並通過 re 模塊提供給程序猿使用
提到正則表達式，那么必須得提到正則表達式的“幾元大將”，它們有一個統一的名字——元家軍，又名元字符
2.元字符
. ^ $ * + ? { } [ ] \ | ( )
如果沒有這幾個“將士”，那么正則表達式將變得和字符串的find()方法無二了。
那么這幾個“將士”什么來路呢？分別又有什么特技呢？
. ：匹配任意字符，除了換行符。而當re.DOTALL標記被指定時，則可以匹配包括換行符的任意字符
^ ：匹配字符串的開頭，脫字符
- 匹配輸入字符串的開始位置
- 如果設置了 re.MULTILINE 標志，^ 也匹配換行符之后的位置
$ ：匹配字符串的末尾，如果設置了 re.MULTILINE 標志，$ 也匹配換行符之前的位置
* ：匹配前面的子表達式零次或多次，等價於 {0,}
+ ：匹配前面的子表達式一次或多次，等價於 {1,}
? ：匹配前面的子表達式零次或一次，等價於 {0,1}
{M,N} ：M 和 N 均為非負整數，其中 M <= N，表示前邊的 RE 匹配 M ~ N 次
- {M,} 表示至少匹配 M 次
- {,N} 等價於 {0,N}
- {N} 表示需要匹配 N 次
[...] ：字符類，匹配所包含的任意一個字符
- 連字符 - 如果出現在字符串中間表示字符范圍描述；如果如果出現在首位則僅作為普通字符
- 特殊字符僅有反斜線 \ 保持特殊含義，用於轉義字符。其它特殊字符如 *、+、? 等均作為普通字符匹配
- 脫字符 ^ 如果出現在首位則表示匹配不包含其中的任意字符；如果 ^ 出現在字符串中間就僅作為普通字符匹配
\ ：（下面還有詳解）
- 將一個普通字符變成特殊字符，例如 \d 表示匹配所有十進制數字
- 解除元字符的特殊功能，例如 \. 表示匹配點號本身
- 引用序號對應的子組所匹配的字符串
| ：A | B，表示匹配正則表達式 A 或者 B
(...) ：匹配圓括號中的正則表達式，或者指定一個子組的開始和結束位置。子組的內容可以在匹配之后被 \數字 再次引用
3.還有一些擴展出來的功能：
(?...)：(? 開頭的表示為正則表達式的擴展語法（下邊這些是 Python 支持的所有擴展語法）
(?aiLmsux)：
- (? 后可以緊跟着 'a'，'i'，'L'，'m'，'s'，'u'，'x' 中的一個或多個字符，只能在正則表達式的開頭使用
- 每一個字符對應一種匹配標志：re-A（只匹配 ASCII 字符），re-I（忽略大小寫），re-L（區域設置），re-M（多行模式）, re-S（. 匹配任何符號），re-X（詳細表達式），包含這些字符將會影響整個正則表達式的規則
- 當你不想通過 re.compile() 設置正則表達式標志，這種方法就非常有用啦。注意，由於 (?x) 決定正則表達式如何被解析，所以它應該總是被放在最前邊（最多允許前邊有空白符）。如果 (?x) 的前邊是非空白字符，那么 (?x) 就發揮不了作用了。
(?:...)：非捕獲組，即該子組匹配的字符串無法從后邊獲取
(?P<name>...)：命名組，通過組的名字（name）即可訪問到子組匹配的字符串
(?P=name)：反向引用一個命名組，它匹配指定命名組匹配的任何內容
(?#...)：注釋，括號中的內容將被忽略
(?=...)：前向肯定斷言。如果當前包含的正則表達式（這里以 ... 表示）在當前位置成功匹配，則代表成功，否則失敗。一旦該部分正則表達式被匹配引擎嘗試過，就不會繼續進行匹配了；剩下的模式在此斷言開始的地方繼續嘗試。
(?!...)：前向否定斷言。這跟前向肯定斷言相反（不匹配則表示成功，匹配表示失敗）。
(?<=...)：后向肯定斷言。跟前向肯定斷言一樣，只是方向相反。
(?<!...)：后向否定斷言。跟前向肯定斷言一樣，只是方向相反。
(?(id/name)yes-pattern|no-pattern)：如果子組的序號或名字存在的話，則嘗試 yes-pattern 匹配模式；否則嘗試 no-pattern 匹配模式，no-pattern 是可選的
比如(<)?(\w+@\w+(?:\.\w+)+)(?(1)>|$) 是一個匹配郵件格式的正則表達式，可以匹配 <user@fishc.com> 和 'user@fishc.com'，但是不會匹配 '<user@fishc.com' 或 'user@fishc.com>'
\
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，\\
- \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”
- \u 和 \U 只有在 Unicode 模式下才會被識別
- 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，那么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
\序號：
- 引用序號對應的子組所匹配的字符串，子組的序號從 1 開始計算
- 如果序號是以 0 開頭，或者 3 個數字的長度。那么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
\A：匹配輸入字符串的開始位置
\Z：匹配輸入字符串的結束位置
\b：匹配一個單詞邊界，單詞被定義為 Unidcode 的字母數字或下橫線字符
\B：匹配非單詞邊界，其實就是與 \b 相反
\d：
- 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 標志，就只匹配 [0-9]
- 對於 8 位（bytes 類型）模式：匹配 [0-9] 中任何一個數字
\s：
- 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 標志，就只匹配 [ \t\n\r\f\v]
- 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：
- 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 標志，就只匹配 [a-zA-Z0-9_]
- 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_]