前面学习我们已经可以用request库获取网页的源代码，从而得到HTML代码，但是我们真正想要获取的信息是包含在HTML内的。要怎样从HTML代码获取想要的信息呢，正则表达式就是其中一个有效的方法。说了这么多，对于正则表达式的概念还是有点模糊，下面用几个实例加深一下对于正则的了解。

打开正则在线网站（在线正则表达式测试），输入待匹配的文本，然后选择常用的正则表达式，就可以得出相应的匹配结果。

实例语句：Hello,my phone number is 010-86432100 and email is [email protected],and my website is https://cat.com

 这段字符串包含了电话号码，email地址和一个URL，接下来尝试用正则表达式将这些内容依次提取出来。

打开网址可以看到网页右侧用一栏常用正则表达式

 在点击匹配email地址之后，匹配结果就会弹出我们实例语句中的email

是不是非常神奇。其实这里就是使用了正则表达式，也就是用一定的规则将特定的文本提取出来。

例如E-mail地址的开头是一段字符串，然后是一个@符号，最后是一个域名，这是有特定的组成格式的。另外队友URL，开头是协议类型，然后是冒号加双斜线，最后是域名路劲。

对于URL来说，可以使用下面的正则表达式

匹配URL : [a-zA-Z]+://[^\s]*

 用这个正则表达式去匹配一个字符串，如果这个字符串中包含类似URL文本，那么这部分就会被提取出来

写好正则表达式后，就可以拿它去一个长字符串里匹配查找了。不论这个字符串里有什么，只要符合我们写的规则，都可以找出来。

对于常用的匹配规则详细可以去这里看（正则表达式 – 简介 | 菜鸟教程）

正则表达式并非python独有，它也可以在其他变成语言中使用，但是python的re库提供了整个正则表达式的实现，利用这个库，可以在python中更加方便的使用正则表达式，下面我们就来详细介绍一下这个库。

re库是python的内部库无需额外安装。

这里我们首先介绍的第一个常用的匹配方式，向它传入要匹配字符串以及正则表达式，就可以检测这个正则表达式是否和字符串相匹配。

match方法会尝试从字符串的起始位置开始匹配正则表达式，如果匹配，就返回匹配成功的结果；如果不匹配，就返回None。实例如下

运行结果

这个实例首先声明了一个字符串，其中包含了英文字母，空白字符，数字等，接着写一个正则表达式：

^Hello\s\d\d\d\s\d{4}\s\w{10}

用它来匹配声明的那个长字符串。开头^表示匹配字符串的开头，也就是以Hello开头；然后\s表示匹配空白字符，用来匹配目标字符串里Hello后面的空格；\d表示匹配数字，3个\d用来匹配123；紧接着的1个\s表示匹配空格；目标字符串的后面还有4567，我们其实依然可以用4个\d来匹配，但是这么写比较繁琐，所有可以用\d后面跟{4} 的形式代表匹配4次数字；后面又是一个空白字符，最后\w{10}则表示匹配10个字母及下划线。我们注意到这里其实并没有把目标字符串匹配完，不过这样依然可以进行匹配，只是匹配结果短一点而已。

这match方法中，第一个参数是传入了正则表达式，第二个参数是传入了要匹配的字符串。

将输出结果打印出来，可以看到结果是SRE_Match对象，证明匹配成功。该对象包含两个方法：group方法可以输出匹配到的内容，结果是Hello 123 4567 World_This，这恰好是正则表达式按照规则匹配的内容：span方法可以输出匹配的范围，结果是（0，25），这是匹配到结果字符串在原字符串中的位置范围。

通过上面的例子，我们基本了解了如何在python中使用正则表达式来匹配一段文字。

用match的方法可以实现匹配，如果想从字符串中提取一部分内容该怎么办？就像上一节的实例一样，从一段文本中提取出E-mail地址或电话号码。

可以使用括号（）将想提取的子字符串括起来。（）实际上标记一个子表达式的开始和结束位置，被标记的每个子表达式依次对应每个分组，调用group方法传入分组的索引即可活得提取结果。实例如下：

 运行结果如下：

re.Match object; span=(0, 19), match='Hello 1234567 World'> Hello 1234567 World 1234567 (0, 19)

可以看到我们成功得到了1234567。这里用的是group（1），它与group()有所不同，后者会输出完整的匹配结果，前者会输出被（）被包围的匹配结果。假如正则表达式后面还有（）包围的内容，那么可以依次用group(2),group(3)等获取

刚才我们写的正则表达式其实比较复杂，只要出现空白字符，就需要写\s匹配，出现数字就需要写\d匹配，这样的工作量非常大。其实完全没必要这么做，因为还有一个万能匹配可以用，就是.*。其中.可以匹配任意字符（除换行符），*代表匹配前面的字符无数次，所以它们组合在一起就可以匹配任意字符。有了它，我们就不要按个字符进行匹配了。

接着上面的例子，我们利用.*改写一下正则表达式。

这里我们直接省略中间部分，全部用.*来代替，并在最后加一个结尾字符串。运行结果如下

Hello 123 4567 World_This is a Regex Demo (0, 41)

可以看到，group方式输出了匹配的全部字符串，也就是说我们写的正则表达式匹配到了目标字符的全部内容；span方法输出（0，41） ，这是整个字符串的长度。

因此，使用.*能够简化正则表达式的书写。

使用通用匹配.*匹配到的内容有时候并不是我们想要的结果。看下面的例子。

 这里我们依然想获取目标字符串中间的数字，所以正则表达式中间写的依然是（\d+）。而数字两侧由于内容比较杂乱，所有想省略来写，于是都写成.*。最后，组成'^He.*(\d+).*Demo$'，看样子没有什么问题。可我们看下运行结果：

7

奇怪的事情发生了，只得到了7这个数字，这是怎么回事。

这里涉及贪婪匹配和非贪婪匹配的问题。在非贪婪匹配下，.*会匹配尽可能多的字符。正则表达式中.*后面是\d+,也就是至少一个数字，而且没有指定具体几个数字，因此，.*会匹配尽可能多的字符，这里就把123456都匹配了，只给\d+留下了一个可满足条件的数字7，因此最后得到的数字就只有数字7.

但这跟明显会给我们带来很大的不便。有时候，匹配结果会莫名奇妙的少一部分内容，其实，这里只需要使用非贪婪匹配就好了。非贪婪匹配的写法是.*?，比通用匹配多了一个？，那么它可以起到怎样的效果呢？我们再实例看一下：

这里只是将第一个“.*”改成了“.*?”，贪婪匹配就变成了非贪婪匹配。结果如下

1234567

此时就可以成功获取到1234567了。原因可想而知，贪婪匹配时匹配尽可能多的字符，非贪婪匹配就算是匹配尽可能少的字符，于是这里.*?就不再进行匹配了，而是交给\d+去匹配。最后.*?匹配了尽可能少的字符，\d+的结果就是1234567

所以说，在做匹配的时候，字符串中间尽量使用非贪婪匹配，也就是用.*?代替.*以避免匹配结果缺失的情况。例如

输出结果如下

result1 result2 editor/

可以观察到，.*?没有匹配到任何结果，而.*则尽可能多匹配内容，成功得到了匹配结果。

在正则表达式中，可以用一些可选标志修饰符来控制匹配的模式，修饰符被指定为一个可选的标志。我们可以用实例来看一下：

和上面例子相仿，我们在字符串中加入了换行符，正则表达式还是一样的，用来匹配其中的数字，看一下运行结果

  File "d:\跟着崔庆才学爬虫\正则表达式\5_修饰符.py", line 6, in     print(result.group(1))           ^^^^^^^^^^^^ AttributeError: 'NoneType' object has no attribute 'group'

发现运行直接报错，也就是说正则表达式没有匹配到这个字符串，返回结果为None，而我们又调用了group方法，导致了 AttributeError。

那么，为什么要加一个换行符，就匹配不到了呢？这是因为匹配的内容是出换行符之外的任意字符，当遇到 换行符时，.*?就不能匹配了，所以导致匹配失败。这里只需要加一个修饰符re.S，即可修正这个错误：

result = re.match('^He.*?(\d+).*?Demo$',content,re.S)

 这个修饰符的作用是使匹配内容包括换换行符在内的所有字符，此时它的运行结果如下：

1234567

 这里的re.S在网页匹配中经常用到，因为HTML节点经常会换行，加上它，就可以匹配节点与节点之间的换行了。

另外还有一些修饰符，在必要的情况下也可以使用

re.I : 使匹配对大小写不敏感

re.L : 实现本地化识别（locale-aware）匹配

re.M ：多行匹配，影响^和$

re.S : 使匹配内容包括换行符在内的所有字符

re.U : 根据Unicode字符集解析字符。这个标志会影响\w,\W,\b和\B

re.X : 该标志能够给予你更灵活的格式，以便于正则表达式书写更易于理解。        

 在网页匹配中，较为常用的又re.S和re.L

我们知道正则表达式定义了许多匹配模式，如.用于匹配除换行符以外的任意字符。但是如果目标字符串里面就包含.这个字符，那么该怎么办呢？

这里就需要用到转义匹配了，实例如下：

当在目标字符串中遇到用作正则表达式匹配模式的特殊字符时，在此字符面前加反斜\转义一下即可。例如\.就可以用来进行匹配.，运行结果如下

 search

前文提到过，match方法是从字符串的开头开始匹配的，意味着一旦开头不匹配，整个匹配就失败了，我们看下面的例子：

这里字符串以Extra开头，正则表达式却以Hello开头，其实整个正则表达式是字符串的一部分，但是这样匹配是失败的。运行结果如下：

None

因为match方法在使用某个需要考虑目标字符串开头的内容，因此在做匹配时并不方便，它更适合检测某个字符串是否符合某个正则表达式的规则。

这里就有另外一个方法search，它在匹配时会扫描整个字符串，然后返回第一个匹配成功的结果，也就是说，正则表达式可以是字符串的一部分，在匹配时，search方法会依次以每个字符作为开头扫描字符串，知道找到第一个符合规则的字符串，然后返回匹配内容；如果扫描完还没有找到符合规则的字符串，则返回None。

我们把上面代码中的match方法修改成search，再来看下结果，

 这是我们就得到了匹配结果。因此为了匹配方便，尽量使用search方法，下面再用几个实例看看search方法的用法。

首先，以一段HTML文本为例，接下来写几个正则表达式实例实现相应信息的提取：

html="""

，右边界是。然后目标内容依旧是用（.*?）来匹配，所以最后的正则表达式就变成了：

(.*?)

调用search方法，他会搜索整个HTML文本，找到符合上述正则表达式的第一个内容并返回，另外，文本中有换行，所以在search方法中的第三个参数需要传入修饰符re.S。实例如下