07. 数据提取-正则表达式
最新回答
〆霸气￡屌屌″
2026-02-16 06:37:59
正则表达式是一种强大的字符串匹配工具，可用于从复杂文本中提取特定内容。以下是关键要点总结：
一、核心概念- 定义：由特定字符和组合构成的规则字符串，用于定义字符串匹配逻辑
- 应用场景：在网页抓取、日志分析、数据清洗等场景中提取结构化信息
位置匹配：
^ 匹配字符串开头
$ 匹配字符串结尾
A 和 Z 类似但更严格
字符匹配：
. 匹配任意字符（除换行符）
d 匹配数字（等价于[0-9]）
w 匹配字母数字及下划线
[u4e00-u9fa5] 专门匹配中文字符
数量控制：
* 匹配0次或多次
+ 匹配1次或多次
? 匹配0次或1次（非贪婪模式）
{n,m} 匹配n到m次
贪婪与非贪婪模式：
默认贪婪模式（如a.*b会匹配最长可能）
非贪婪模式（如a.*?b匹配最短可能）
分组捕获：
() 表示捕获组
(?:) 表示非捕获组
1 引用第一个捕获组
边界匹配：
b 匹配单词边界
(?=...) 前向肯定断言
(?!...) 前向否定断言
匹配函数：
re.match()：从开头匹配（返回Match对象或None）
re.search()：扫描整个字符串（返回第一个匹配）
re.findall()：返回所有匹配的列表
替换功能：
re.sub()：替换匹配内容（支持函数式替换）
修饰符：
re.I：忽略大小写
re.S：使.匹配换行符
re.M：多行模式（影响^和$）
提取HTML标签内容：
import rehtml = "<div>测试内容</div>"pattern = r"<div>(.*?)</div>"result = re.findall(pattern, html) # 输出：['测试内容']处理中文文本：
text = "联系邮箱：test@example.com"pattern = r"[u4e00-u9fa5]+" # 匹配所有中文print(re.findall(pattern, text)) # 输出：['联系邮箱']非贪婪匹配：
html = "<p>段落1</p><p>段落2</p>"pattern = r"<p>(.*?)</p>" # 非贪婪模式print(re.findall(pattern, html)) # 输出：['段落1', '段落2']
- 复杂正则表达式可读性差，建议添加注释（使用(?#...)）
- 过度使用正则可能导致性能问题，超复杂场景考虑专用解析器
- 测试正则表达式推荐使用在线工具（如regex101.com）
掌握这些核心概念后，可以高效处理大多数文本提取需求。实际应用中建议结合具体场景选择最简洁有效的表达式，并通过测试验证边界情况。
热门标签
