上次的爬虫最终获取了马蜂窝旅行评论页面的全部内容，其实很多都是无用信息，我们要进行筛选清洗，这就用到了正则表达式，在写爬虫后续之前先大概搞一下正则……

先上代码吧，今天先搞一小部分：

import re

print(re.match('you','you are my sunshine'))

print(re.match('you','you are my sunshine').span())

print(re.match('my','you are my sunshine'))

print(re.search('you','you are my sunshine').span())

print(re.search('my','you are my sunshine').span())

love='you are my sunshine'

pat=re.match(r'(.*) are (.*?) .*',love)

if pat:

print('获取的全部字符序列为：'+str(pat.group()))

print('获取的第一个分组为：'+str(pat.group(1)))

print('获取的第二个分组为：'+str(pat.group(2)))

print('获取的全部分组为：'+str(pat.groups()))

else:

print('没有匹配内容！')

rep=re.sub(r'sun.*$','life',love)

print('字符串更新为：'+str(rep))

首先导入模块re，该模块包含所有的正则实现的功能，很好用~~

接下里五大行测试一下两个方法match()和search()，前者只匹配字符串的开头，而后者匹配整个字符串，也就是说如果你给出的正则表达式在一开始就不满足字符串那match就直接返回none，但search则会搜寻整个字符串，知道找到匹配内容；span()方法返回匹配字符串的区间，左闭右开，如(2，5)表示所匹配的字符串中的字符在原字符串中的下标为2，3，4。

看一下结果：

第一条为match函数返回的信息，包括匹配区间、匹配字符等；第三条为None，也证实了两个方法的区别。

接下来用到了正规的正则表达式，(.*)为一个分组，也是我们所需的内容，'.'可以匹配除换行符之外的所有字符，‘*’可以匹配0至无限长度的字符；后面没有()的.*表示的是匹配后面的所有字符，这一部分我们不关心是什么；还有一个就是‘？’，她使得我们去尽量少的字符，这一块后边可以演示一下。

group()方法返回我们所获取的所有字符串，它是以元组的形式返回的，所有和字符串连接需要转化一下，()中的1和2表示我们需要的第一个和第二个分组，也就是正则表达式中的()内容，groups返回所有分组，这个区别一下group，看结果：

很清晰吧。。注意一下第一条和第四条。。

最后是sub()函数，它的功能是用某一确定字符串替换匹配内容，该例中我们匹配的是以sun开头的字符串，‘$’的意思是以前面的字符结尾，在这里就表示sun后面的所有字符，然后把该部分用life替换掉，结果为：

由于sunshine是最后一个单词，所以不是那么明显，我们将‘sun’改为‘my’，看下结果：

没毛病。。匹配了my后面的所有字符。。

还有一点就是前面说的正则中的‘？’，我们将上面的正则表达式改一下：pat=re.match(r'(.*) are (.*？)',love)，看一下结果：

再改一下：pat=re.match(r'(.*) are (.*)',love)，看下结果：

是不是发现点什么，前者匹配为空，后者匹配了are后面的所有内容，这一点也是之前爬虫时数据紊乱的原因所在，找个时间好好聊聊这一块~~~我现在在想前者匹配的是不是一个空格啊，或者真的就是空，尽量少嘛。。