引言
正则表达式（Regular Expression，简称Regex）是处理字符串的强大工具，尤其在网络爬虫领域有着广泛的应用。Python作为一门功能强大的编程语言，内置了正则表达式库，使得我们能够轻松地编写高效的爬虫程序。本文将带领读者入门Python正则表达式，并展示如何将其应用于简单爬虫的构建。
正则表达式基础
1. 元字符
正则表达式中的元字符具有特殊的意义，它们可以匹配特定的字符或字符组合。以下是一些常见的元字符：
.
：匹配除换行符以外的任意单个字符
*
：匹配前面的子表达式零次或多次
+
：匹配前面的子表达式一次或多次
?
：匹配前面的子表达式零次或一次
^
：匹配输入字符串的开始位置
$
：匹配输入字符串的结束位置
2. 字符集
字符集允许你指定一个字符范围，用于匹配任意一个符合条件的字符。以下是一些字符集的例子：
[abc]
：匹配a、b或c中的任意一个字符
[a-z]
：匹配任意小写字母
[^abc]
：匹配除a、b、c以外的任意字符
3. 分组和引用
分组允许你将多个字符视为一个单元进行匹配。使用括号
()
进行分组，并且可以通过
\1
、
\2
等引用分组匹配的文本。
爬虫实例
以下是一个简单的爬虫实例，演示如何使用Python正则表达式从网页中提取所需信息。
import re
import requests
# 发送请求
url = ‘http://example.com’
response = requests.get(url)
# 正则表达式匹配
pattern = r’
标签之间的
href
属性来提取链接。正则表达式