Python-re正则表达式语法总结(1)和邮箱正则表达式例子

本次我们讲讲re正则表达式。那讲到re正则表达式的话，难免就需要跟其他的解析库做下对比。如下表

lxml库、正则表达式和BeautifulSoup库对比

工具	解析速度	难度
BeautifulSoup4	最慢	最简单
lxml	快	简单
正则表达式	最快	难

大家可以了解一下大概情况。我对这表的理解是，lxml库速度快有部分原因是因为c语言编写的，而BeautifulSoup4库是第三方库，慢也可以理解，毕竟三种方式它的难度是最低的。re正则表达式呢，有多难呢：正则表达式可能你刚写完，出去吃个饭回来，有可能你就要斟酌斟酌自己刚刚为何这样写这式子。。。（雾）

re正则表达式语法总结

表达式	语法
. (点号)	匹配任意字符（除了换行符\n）
\d	匹配任意数字
\D	匹配任意非数字
\s	匹配空白字符（\n,\t,\r,空格）
\w	匹配a-z,A-Z,数字和下划线
\W	跟\w相反
[]	匹配括号中满足的字符

——————————————分割线——————————————

表达式	语法
*	表示0或多个
+	表示1或多个
?	表示1或0个
{m}	匹配m个字符
{m,n}	匹配m~n个字符

小例子

实践出真知。总结这么多语法不如实际操作一番。
那么我们来写一个邮箱的正则表达式吧——
我们先顺便写一个邮箱 Test_12580@gmail.com
分析一下邮箱的组成，主要是三块内容。
用百度的总结就是：

登录名@主机名.域名

登录名

登录名的构成是大小写字母、数字和下划线，可能还有 -(横杆)
那结合我们上表的语法，登录名可以写成这样

[a-zA-Z0-9_-]+

[]括号中的字符只要满足就可以匹配,不过有一点要注意，

+

号很重要，如果不加

+

号，

[a-zA-Z0-9_-]

匹配的内容就是一个一个单个的字符。+号表示满足[]内容的有1个或多个，就能将Test_12580整整齐齐的拿下来。
不加+号就会——Test_12580被

[a-zA-Z0-9_-]

匹配后是

T

e

s

。。。这样一个一个字符。

当然匹配的规则很多样，登录名也可以写成这样[\w-]+

主机名

主机名一般是英文和数字，例如gmail，qq，sina，163
↑（我在思考主机名的时候一直在思索到底有没有带_和-的主机名，我们就认为没有吧，也好更上面的登录名做区分）

要提一点的是：\w表示a-z,A-Z,数字和下划线，那么能不能用在这里呢？
因为我们假设没有自带-和_的主机名，因此我们就不能用**\w**。
那么我们就老实规矩的写一下，

[a-zA-Z0-9]+

这个跟登录名的区别就是少了_和-

.域名

不要看少了，我们这一块把域名前面的

.

（点号）也加进来算一个整体。当然啦，

.

（点号）也可以单独的拿出来还是那句

正则表达式的匹配规则还多样，还少有绝对的表达式

我们直接将.域名的正则表达式贴出来——

(\.[a-zA-Z0-9]+)

这里面有几点需要详细说一下，

.

（点号）前面的

\

是叫转义字符
我们上面的表格写到

.

表示匹配任意的字符（除了换行符），不过，在

.

前加上

\

，那

\.

就不是匹配任意字符，

\.

等于

.

还有大家需要看清楚括号的不同，

\.

在

[a-zA-Z0-9]+

前面就保证了 .com的

.

必须位于

com

的前面。而且不能将

\.

放到

[a-zA-Z0-9]+

里面，后果就变成了满足

a-z

，

A-Z

，

0-9

，

\

,

.

， 都会匹配出来。

邮箱的正则表达式成品就是

[a-zA-Z0-9_-]+@[a-zA-Z0-9]+(\.[a-zA-Z0-9]+)

看起来很长，但是将每一块内容拆分来写的话，还是比较好对付的。

另外我推荐一个网址，大家可以去里面自己尝试写一下正则表达式，例如匹配qq号或电话号码之类的

http://tool.oschina.net/regex/?optionGlobl=global

知识点补充

在上文我们讲到了转义字符

\

，

\.

表示

.

，实则还有其他方法防止字符转义。
例如我们需要匹配的字符串中出现了’\n’ ，那我们不想让\n转义成换行符的话,我们可以在字符串前加

r

——'r’是防止字符转义的。

↑在用re正则表达式爬虫的时候，

r

的用法很常用也很实用。

总结

好像没什么总结，我们下次再会~