python中如何使用正则表达式过滤网页内容

一、正则表达式简述：

什么是正则表达式？正则表达式就是可以匹配文本片段的模式，最简单的正则表达式就是一个字符串，用于在文本中匹配到此字符串自身。

二、常用正则表达式：

设计正则表达式的时候有几个注意点如下：

一个。特殊符号需要加上转移字符：如果要匹配'china.com'，正则表达式格式应该是'china\\.com'；

湾。字符集（使用括号[]包含字符串组成字符集）：例如[a-z]表示匹配从a到z的字符；另外，还有一个反向字符集，以^符号开头：如[^abc]表示匹配a、b、c以外的字符；

C。选择器：匹配'python'和'page'，写入模式是'python|page'，其中'|'是管道符号；

d.子模式：如‘p(ython|age)’；

e.可选：在pattern后面加上hello(?)，则pattern变成可选的，即可能出现在匹配的字符串中，但不是必须的，如r'(http://)?(www.)? shuhe.com 匹配：

http://www.shuhe.com、http://shuhe.com、www.shuhe.com、shuhe.com

f.重复子模式：

(pattern)*：允许模式重复0次或多次

(pattern)+：允许模式重复1次或多次

(pattern){m,n}：允许模式重复m~n次

例如：

r'w*\.python\.org'匹配'www.python.org'、'.python.org'、'wwwwww.python.org'
r'w+\.python\.org'匹配'w.python.org'；但不匹配'.python.org'
r'w{3,4}\.python\.org'只能匹配'www.python.org'和'wwww.python.org'

三、re模板的使用：

在python中封装了一些常用的正则表达式在re模板中，使用时只需将该模板引入到当前项目中即可：

上述是re中常用的正则表达式，使用步骤为：

1.先将正则表达式的字符串形式编译为Pattern实例；

2.然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）；

3.最后使用Match实例获得信息，进行其他的操作。

例如：

# encoding: UTF-8  
import re  
   
# 将正则表达式编译成Pattern对象  
pattern = re.compile(r'hello')  
   
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  
match = pattern.match('hello world!')  
   
if match:  
    # 使用Match获得分组信息  
    print match.group()  
   
### 输出 ###  
# hello