写爬虫，不会正则怎么行？ (3)

注意：正则中常用的前项界定 (?<=exp) 和前项否定界定 (?<!exp) 在 Python 中可能会报错：look-behind requires fixed-width pattern，原因是 python 中 前项界定的表达式必须是定长的，看如下示例：

(?<=aaa)        # 正确
(?<=aaa|bbb)    # 正确
(?<=aaa|bb)        # 错误
(?<=\d+)        # 错误
(?<=\d{3})        # 正确
2.3、条件匹配

这大概是最复杂的正则表达式了。语法如下：

语法 描述
(?(id/name)yes|no)   如果指定分组存在，则匹配 yes 模式，否则匹配 no 模式  

此语法极少用到，印象中只用过一次。

以下示例的要求是：如果以 _ 开头，则以字母结尾，否则以数字结尾。

s1 = '_abcd'
s2 = 'abc1'

pattern = '(_)?[a-zA-Z]+(?(1)[a-zA-Z]|\d)'

re.search(pattern, s1).group()
re.search(pattern, s2).group()

结果：

_abcd
abc1
2.4、findall

Python 中的 re.findall 是个比较特别的方法（之所以说它特别，是跟我常用的 C# 做比较，在没看注释之前我想当然的掉坑里去了）。我们看这个方法的官方注释：

Return a list of all non-overlapping matches in the string.

If one or more capturing groups are present in the pattern, return 
a list of groups; this will be a list of tuples if the pattern 
has more than one group.

Empty matches are included in the result.

简单来说，就是

如果没有分组，则返回整条正则匹配结果的列表；

如果有 1 个分组，则返回分组匹配到的结果的列表；

如果有多个分组，则返回分组匹配到的结果的元组的列表。

看下面的例子：

s = 'aaa123bbb456ccc'

re.findall('[a-z]+\d+', s)          # 不包含分组
re.findall('[a-z]+(\d+)', s)        # 包含一个分组
re.findall('([a-z]+(\d+))', s)      # 包含多个分组
re.findall('(?:[a-z]+(\d+))', s)    # ?: 不捕获分组匹配结果

结果：

['aaa123', 'bbb456']
['123', '456']
[('aaa123', '123'), ('bbb456', '456')]
['123', '456']

零宽断言中讲到 Python 中前项界定必须是定长的，这很不方便，但是配合 findall 有分组时只取分组结果的特性，就可以模拟出非定长前项界定的效果了。

结语

其实正则就像是一个数学公式，会背公式不一定会做题。但其实这公式一点也不难，至少比学校里学的数学简单多了，多练习几次也就会了。