在日常生活中，如果批量进行筛选或者操作某特定格式的信息，一个个进行操作工作效率会特别低，但使用正则表达式则可以大大提升工作效率。正则表达式就是描述字符串排列的一套规则，而这个规则是根据实际需求进行定义的。
1.正则表达式相关知识
1.常见打印字符与通用字符
| 符号 |
含义 |
| \n | 用于匹配一个换行符 |
| \t | 用于匹配一个制表符 |
| \w | 匹配任意一个字母、数字或下划线 |
| \W | 匹配除字母、数字和下划线以外的任意一个字符 |
| \d | 匹配任意一个十进制数 |
| \D | 匹配除十进制数以外的任意一个其它字符 |
| \s | 匹配任意一个空白字符 |
| \S | 匹配除空白字符以外的任意一个其它字符 |
2.元字符
| 符号 | 含义 | 示例 |
| . | 匹配除换行符以外的任意字符 | .abc... |
| ^ | 匹配字符串的开始位置 | ^abc:必须以abc开始才能匹配 |
| $ | 匹配字符串的结束位置 | abc$:必须以abc结尾才能匹配 |
| * | 匹配0次、1次或多次前面原子 | a*:*代表0个、1个或多个a都能匹配 |
| ? | 匹配0次或者1次前面的原子 | a?:只有a或者aa能匹配 |
| + | 匹配1次或者多次前面的原子 | a+:+代表一个或者多个a |
| {n} | 前面的原子出现n次 | a{2}:即aa (ab){2}:abab |
| {n,} | 前面原子至少出现n次 | a{2,}:两个及以上a组成即可匹配 |
| {n,m} | 前面原子出现n到m次 | a{2,4}:出现2个a、3个a或者4个a都可以匹配 |
| | | 模式选择符，相当于或 | ^a|a$:指以a开头或者以a结尾的都可以匹配 |
| () | 模式单元符 | (ab)*:将ab作为一个整体进行匹配 |
3.原子表
在正则表达式中，原子表是比较常用的一种表达，即[],括号内是原子符号，这相当于一个集合，匹配时对该原子表进行全局搜索并判断是否匹配，[abc]则表示由a、b、c组成的字符串。[^abc]则表示不包括abc三个原子。
[a-z]:所有小写字母 [A-Z]:所有大写字母 [a-zA-Z]:所有字母 [0-9]:表示所有数字
[^a-z]:除小写字母以外 [^A-Z]:除大写字母以外 [^a-zA-Z]:除所有字母以外 [^0-9]:除所有数字
4.几个常见的示例
（1）匹配.com或.cn后缀的URL网址
首先需要了解URL的构成再定义规则，pattern="[a-zA-Z]+://[^\s]{1,}[.com|.cn]"
URL中://是固定的，://之前不为空，则可以用[a-zA-Z]+或者[a-zA-Z]{1,}表示，最后结尾则是.com或者.cn，中间部分则根据需求来，都是非空字符串，则可以用[^\s]{1,}表示。
（2）匹配电话号码
固定电话有区号，区号有4位和3位，其中第一位基本以0开头，区号之后是-，然后是八位数字，匹配规则：
pattern="0\d{2}-\d{8}|0\d{3}-d{8}"。
（3）匹配电子邮件地址
pattern="\w+([.+-]\w+)*@\w+([.+-]\w+)*\.\\w+([.+-]\w+)*" 其实邮箱地址分为三段，由@和.分为三段，而这三段的匹配规则一致，组合起来便是这个规则。
2.Python中常见的正则表达式相关函数
1.re.match()函数
re.match(pattern,string,flag):pattern代表正则表达式，string则表示源字符串，flag则表示标志位，比如模式修正符等，可省略。
注意：该方法必须从首字符就开始匹配，否则匹配不通过。
代码如下：
匹配成功的：
import re
str="021-87562893"
pattern = "0\d{2}-\d{8}|0\d{3}-d{8}"
result = re.match(pattern,str)
print(result)
运行结果：
匹配失败的：
import re
str="3021-87562893"
pattern = "0\d{2}-\d{8}|0\d{3}-d{8}"
result = re.match(pattern,str)
print(result)运行结果：
比较两种情况，可以理解match()方法的特点。
2.re.search()函数
re.search(pattern,string,flag),各参数含义同上。只不过该函数会扫描整个字符串，只要源字符串中包含该模式即可匹配。
代码如下：
import re
pattern="0\d{2}-\d{8}|0\d{3}-\d{8}"
string="330214-8284393782771"
result = re.search(pattern,string)
print(result)运行结果如下：
从结果可以看出，该函数会对源字符串进行扫描。
3.全局匹配函数
从上述两个函数可以看出，即使源字符串中有多个结果符合要求，也只会匹配一个结果，而全局匹配函数则可以将所有符合要求的都找出。
首先用re.compile(pattern)将定义的正则表达式进行预编译；编译后，使用编译结果的findall(string)方法根据正则表达式在源字符串中将匹配的结果全部找出。
代码如下：
import re
pattern="0\d{2}-\d{8}|0\d{3}-\d{8}"
string="330014-828439378077-1999188345"
p1 = re.compile(pattern)
result = p1.findall(string)
print(result)运行结果如下：
4.re.sub()函数
re.sub(pattern,rep,string,max):pattern代表正则表达式，rep代表要替换成的字符串，string代表源字符串，max表示最多替换的次数，可缺省，缺省代表全部替换。
import re
pattern="word"
string="awordwddwordokwordwww"
rep="WORD"
result = re.sub(pattern,rep,string)
print(result)运行结果如下所示：
以上是正则表达式的一些基础以及Python中常用函数的使用介绍。通过对正则表达式的深入理解，可以为后续的爬虫打下基础。