最小匹配

格式：

量词?

注：量词有{n,m}、?、+、*

用处：

在字符串中查找符合正则表达式规则的最短子字符串。

案例：

现有字符串num = ”10-3*(20-10+(-10/5)27/3/3-(-100)/(10-35))"，要提取括号中的内容。

import re

num = '10-3*(20-10+(-10/5)*27/3/3-(-100)/(10-3*5))+(-5*-6)'
num2 = re.findall('\(.+?\)', num)
num3 = re.findall('\(.+\)', num)
print(num2)
print(num3)

out:
['(20-10+(-10/5)', '(-100)', '(10-3*5)']
['(20-10+(-10/5)*27/3/3-(-100)/(10-3*5))']

上述代码中num2使用了最小匹配，而num3使用了默认的最大匹配。

请注意num2的正则表达式：

.表示匹配除了换行符之外的所有字符

+表示一个或多个

?表示最小匹配，匹配后面第一个)即返回结果。若没有这个?会匹配到最后一个)才返回结果。

分组

格式：

(\w)

注：在正则表达式中一对括号包围的内容表示分组，正则表达式中可以有多个分组

用处：

匹配字符串，只提取分组中的内容，非分组的内容舍弃不提取。

案例：

str1 = '''
<a>python<a>
<b>java<b>
<c>javascript<c>
'''
result1 = re.findall('<\w+>(\w+)<\w+>',str1)
print(result1)
result2 = re.findall('<(\w+)>\w+<\w+>',str1)
print(result2)

out:
['python', 'java', 'javascript']
['a', 'b', 'c']

从result1和result2提取内容的不同可以看到分组的妙用，分组能指定提取符合正则表达式某一段的内容。

分组隐藏

格式：

(?:正则表达式)

注：在括号内以?:开头的分组，匹配到的内容会被隐藏。

另：分组隐藏和分组命名不能同时使用。

用处：

当有用数据和无用数据混在一起时，只能先全取出来，然后对无用数据做分组隐藏，把有用的数据对应的正则表达式用()包起来，这样即可提取出有用数据。

案例：

result1 = re.findall('1(\d)(\d)','167189')
print(result1)

result2 = re.findall('1(?:\d)(\d)','167189')
print(result2)

out:
[('6', '7'), ('8', '9')]
['7', '9']

分组命名

格式：

(?P<名字>正则表达式)

注：?P<名称>，英文书名号内是分组的名称。

用处：

分组命名在有很多段分组时对不同的分组命名，便于使用，防止混淆。

案例：

str1 = '<tag>study python every day</tag>'
ret = re.search('<(?P<tag>\w+)>(?P<name>.*?)</(?P=tag)>',str1)
print(ret)
print(ret.group('tag'))
print(ret.group('name'))

out:
tag
study python every day

上述案例是一个简单的示范，只有2个分组。但实际爬虫的时候经常会遇到多达10个以上的分组。在分组数量多的时候很容易混淆数据，若使用分组命名会非常方便，根据名字读取对应的数据，提高了代码可读性。