第059讲（论一只爬虫的自我修养7：正则表达式3） python

今天我们先接着上节课的内容，把 Python3 正则表达式特殊符号及用法（详细列表）这个表格讲完：
上节课我们介绍了正则表达式的特殊字符中的元字符，正则表达式的特殊字符除了元字符之外呢，还有一种就是通过反斜杠加上一个普通字符组成的特殊符号。我们接下来谈谈它们的含义。
\序号，这个我们上节课已经讲过了，序号就是数字：
①引用序号对应的子组所匹配的字符串，此时序号的范围是 1~99，子组的序号是从 1 开始计算。
②如果序号是以 0 开头，或者 3 位数字的长度。那么不会被用于引用对应的子组，而是用于匹配八进制数字所表示的ASCII 码值对应的字符。
这在上节课已经讲过了，我们接下来就讲上节课没有讲过的：

\A ：这个符号在默认情况下和托字符（^）是一样的，都是匹配输入字符串的开始位置。也就是说，要是前面是 \A 或者 ^ 符号，那么这个字符就必须出现在字符串的开头，才能算是匹配。有不懂的，可以查看上节课托字符（^）的讲解。\Z：这个符号在默认情况下和美元符号（$）是一样的，都表示匹配输入字符串的结束位置。

我们上面两条都说的是默认情况下，但不是说完全一样的。因为正则表达式还有一个编译标志的设置，如果说你设置了一个 re.MULTILINE 标志，那么托字符（^）也匹配换行符之后的位置，同时，美元符号（$）也匹配换行符之前的位置。

但是呢，无论你设不设置这个标志，这个 \A 和 \Z 都只能匹配字符串的开头和结束位置。
像这种匹配位置的字符，我们给它们一个名字，叫做临框断言，言外之意就是它们不会匹配任何字符，它们只用于定位一个位置。
\b 也是一个临框断言，它是匹配一个单词的边界，单词被定义为 Unidcode 的字母数字或下横线字符。举个例子：

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

上面只找到了两个 FishC，你知道它哪一个FishC没有找到吗？（事实上是 FishC_com 中的FishC），因为下划线也被认为是单词字符，不是边界。点号（.）感叹号（!）、括号都被认为是单词边界。
接下来是 \B，其实就是与 \b 相反，匹配非单词边界。
举个例子：py\B 会匹配字符串 “python”、“py3” 或 “py2”，但不会匹配 "py "、“py.” 或 “py!”
\d：① 对于 Unicode（str 类型）模式：匹配任何一个数字，包括 [0-9] 和其他数字字符；如果开启了 re.ASCII 标志，就只匹配 [0-9]。
② 对于 8 位（bytes 类型）模式：匹配 [0-9] 中任何一个数字。
\D：与 \d 相反，匹配任何非 Unicode 的数字；如果开启了 re.ASCII 标志，则相当于匹配 [^0-9]。
\s ：①对于 Unicode（str 类型）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）；如果开启了 re.ASCII 标志，就只匹配 [ \t\n\r\f\v]
② 对于 8 位（bytes 类型）模式：匹配 ASCII 中定义的空白字符，即 [ \t\n\r\f\v]
\w：① 对于 Unicode（str 类型）模式：匹配任何 Unicode 的单词字符，基本上所有语言的字符都可以匹配，当然也包括数字和下横线；如果开启了 re.ASCII 标志，就只匹配 [a-zA-Z0-9_]
什么是单词字符？对于英文（就是ASCII）的话，像“Python”，P y t h o n 这6个字符都是单词字符，还有数字和下横线也是。如果是 Unicode 的话， Unicode 是全球化的语言，像中文，中文什么是单词字符？例如“我爱Python”，其中的我爱这两个汉字也是单词字符。
② 对于 8 位（bytes 类型）模式：匹配 ASCII 中定义的字母数字，即 [a-zA-Z0-9_]
举个例子：

>>> 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']

除了空格括号点号感叹号，其它的汉字、字母、下横线、数字都是单词字符。
\W ：其实就是与 \w 相反，匹配任何非 Unicode 的单词字符，；如果开启了 re.ASCII 标志，则相当于 [^a-zA-Z0-9_]
最后，正则表达式还支持大部分 Python 字符串的转义符号：\a，\b，\f，\n，\r，\t，\u，\U，\v，\x，\
注1：\b 通常用于匹配一个单词边界，只有在字符类中才表示“退格”
注2：\u 和 \U 只有在 Unicode 模式下才会被识别
注3：八进制转义（\数字）是有限制的，如果第一个数字是 0，或者如果有 3 个八进制数字，那么就被认为是八进制数；其他情况则被认为是子组引用；至于字符串，八进制转义总是最多只能是 3 个数字的长度。
Python3 正则表达式特殊符号及用法（详细列表）这个表格终于讲解完毕了，还是那句话，别死记硬背，查用就行。
接下来讲解下一个内容：编译正则表达式：什么情况下需要编译正则表达式？

如果你需要重复地使用某个正则表表达式，那么你可以先把该正则表达式编译成模式对象。

我们使用 re.compile() 方法来编译……

re.compile 函数 compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供 match() 和 search() 这两个函数使用。语法格式为： re.compile(pattern[, flags]) 参数：

pattern : 一个字符串形式的正则表达式
flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：

1.re.I 忽略大小写
2.re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
3.re.M 多行模式
4.re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
5.re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
6.re.X 为了增加可读性，忽略空格和 # 后面的注释
关于这6个编译标志的详解可以查看 Python3 如何优雅地使用正则表达式（详解三）

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

我们把正则表达式 [A-Z] 进行编译，赋值给一个变量 p，这个变量 p 就是一个模式对象。
我们可以直接使用 p 进行 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']

有些朋友可能会问，你是使用模块级别的方法效率比较高，还是说使用编译后的方法效率比较高，其实这个没有一定的定论，因为两种的优化差不多。这里，如果你至少需要使用一次正则表达式，你直接使用模块级别的方法就可以了，但是呢，如果你下面要多次使用这个正则表达式，你就可以先对其进行编译，再使用，这样更方便。我们以方便为主，既然学习Python，就不要多考虑效率的问题了，能优化的，Python的设计者都已经优化得差不多了。
接下来我们来谈谈这个编译标志。
我们在 Python3 如何优雅地使用正则表达式（详解三）里有仔细的给大家列举出来。

接下来我们来谈谈这个编译标志。
我们在 Python3 如何优雅地使用正则表达式（详解三）里有仔细的给大家列举出来。
编译标志让你可以修改正则表达式的工作方式。在 re 模块下，编译标志均有两个名字：完整名和简写。
我们需要提一点的是 VERBOSE（简写 X）这个标志，使用 re.VERBOSE（或者 re.X）在某些时候能给我们带来很多好处。
【第059讲（论一只爬虫的自我修养7：正则表达式3）】因为呢，稍微一个中等复杂度的正则表达式，你就会把它写成人模狗样，非常非常的复杂，为什么呢？因为我们上节课已经说过了，正则表达式里你不能随便加空格，因为空格它会被认为是其中的一个匹配元素，你不能加空格，不能加 Tab 键，不能使用三重引号换行，所以呢，你写出来的东西就会看起来很难理解。但是如果你开启了 VERBOSE，它就是支持空格，支持Tab键，支持换行，也支持注释的。