正则表达式的作用：
（1）将文档内容从非结构化转为结构化以便后续的文本挖掘
（2）去除“噪声”，在处理大量文本片段的时候，有非常多的文字信息与最终输出的文本无关。这些无关的片段称之为“噪声”。
在Python中会使用re模块来实现正则表达式。
re.search(regres,string)该方法可也检查这个string字符串是否匹配正则表达式regex。如果表达式匹配则会返回一个match对象，如果没有匹配，则返回None。
例1：获取包含“爬虫”这个关键字的句子
查找哪些语句包含“爬虫”这个关键字，python的代码实现如下：
import re text_string = "文本最重要的涞源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。" \ "利用一个爬虫抓取到网络中的信息。爬取的策略有广度爬取和深度爬取。" \ "根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。" regrex = "爬虫" p_string = text_string.split("。") # 以句号为分隔符，通过split切分 for line in p_string: if re.search(regrex,line) is not None: # search方法是用来查找匹配当前行是否匹配这个regrex,返回的是一个match对象 print(line) # 如果匹配到，打印这行信息上述代码的运行结果：
利用一个爬虫抓取到网络中的信息 根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分
同理，查找哪些语句包含“文本”这个关键字，python的代码实现如下：
import re text_string = "文本最重要的涞源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。" \ "利用一个爬虫抓取到网络中的信息。爬取的策略有广度爬取和深度爬取。" \ "根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。" regrex = "文本" p_string = text_string.split("。") # 以句号为分隔符，通过split切分 for line in p_string: if re.search(regrex,line) is not None: # search方法是用来查找匹配当前行是否匹配这个regrex,返回的是一个match对象 print(line) # 如果匹配到，打印这行信息代码运行结果如下：
文本最重要的涞源无疑是网络 我们要把网络中的文本获取形成一个文本数据库
例2： 匹配任意一个字符
正则表达式中，有一些保留的特殊符号可以帮助我们处理一些常用逻辑。
符号含义.匹配任意一个字符举例：
正则表达式可以匹配的例子不能匹配的例子“a.c”“abc”,“branch”“add”,“crash”“…t”“bat”,“oat”“it”,“table”提示："."代替任何单个字符（换行符除外）
现在演示，如何查找包含“爬”+任意一个字的句子，代码如下：
import re text_string = "文本最重要的涞源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。" \ "利用一个爬虫抓取到网络中的信息。爬取的策略有广度爬取和深度爬取。" \ "根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。" regrex = "爬." p_string = text_string.split("。") # 以句号为分隔符，通过split切分 for line in p_string: if re.search(regrex,line) is not None: # search方法是用来查找匹配当前行是否匹配这个regrex,返回的是一个match对象 print(line) # 如果匹配到，打印这行信息运行结果如下：
利用一个爬虫抓取到网络中的信息 爬取的策略有广度爬取和深度爬取 根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分
同理，查找包含“用户”+任意一个字的句子，代码如下：
import re text_string = "文本最重要的涞源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。" \ "利用一个爬虫抓取到网络中的信息。爬取的策略有广度爬取和深度爬取。" \ "根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。" regrex = "用户." p_string = text_string.split("。") # 以句号为分隔符，通过split切分 for line in p_string: if re.search(regrex,line) is not None: # search方法是用来查找匹配当前行是否匹配这个regrex,返回的是一个match对象 print(line) # 如果匹配到，打印这行信息代码运行结果如下：
根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分
例3：匹配起始和结尾字符串
符号含义[ ]匹配多个字符举例：
“[bcr]at” 代表的是匹配"bat" "cat"以及 “rat”
以下文字，句子和句子之间以逗号分隔
[重要的]今年第七号台风23日登陆广东东部沿海地区。
上海发布车库销售监管通知：违规者暂停网签资格。
[紧要的]中国对连发强硬信息，印度急切需要结束对峙。
希望提取以[重要的]或者[紧要的]为起始的新闻标题。代码如下：
import re text_string = ["[重要的]今年第七号台风23日登陆广东东部沿海地区。","上海发布车库销售监管通知：违规者暂停网签资格。","[紧要的]中国对连发强硬信息，印度急切需要结束对峙。"] regrex = "^\[[重紧]..\]" for line in text_string: if re.search(regrex,line) is not None: print(line) else: print('not match')运行结果如下：
[重要的]今年第七号台风23日登陆广东东部沿海地区。 not match [紧要的]中国对连发强硬信息，印度急切需要结束对峙。
观察数据，我们发现一些新闻标题是以"[重要的]" “[紧急的]“为起始，所以需要添加”^“特殊符号代表起始，之后因为存在"重"或"紧”，所以我们使用”[ ]“匹配多个字符，然后以”." “.” 代表之后的任意两个字符。
上述代码中，使用"\"为转义符，因为"[ ]"在正则表达式中是特殊符号。
如果需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：前两个和后两个分别用于在编程语言里转义成反斜杠，转换成两个反斜杠后再在正则表达式里转义成一个反斜杠。在Python中可使用r"\\"表示。匹配一个数字的"\\d"可以写成r"\d"。有了原生字符串，表达式更为直观。
举例：匹配字符串中的反斜杠"nee\dle"。
import re if re.search("\\\\","I have one nee\dle"): print("match it") else: print("not match")运行结果：match it
另一种写法：
if re.search(r"\\", "I have one nee\dle"): print("match it") else: print("not match")"[0-9]“代表的是从0到9的所有数字，相对的”[a-z]"代表的是从a到z的所有小写字母。
例：首先定义一个list分配一个变量strings，匹配年份是1000年～2999年之间。代码如下：
import re year_strings = [] strings = ['war of 1812','There are 5280 feet to a mile','Happy New Year 2016!'] for string in strings: # print(string) if re.search("[1-2][0-9]{3}",string): year_strings.append(string) print(year_strings)上述代码中"[1-2][0-9]{3}"表示的是：字符串有英文有数字，匹配其中的数字部分，并且是在1000～2999之间，{3}代表的是重复之前的[0-9]三次，是[0-9][0-9][0-9]的简化写法。
使用Python中的re模块的另一个方法findall()来返回匹配带正则表达式的那部分字符串。re.findall("[a-z]","abc1234")得到的结果是["a","b","c"]。
例：定义一个字符串years_string，其中的内容是"2015 was a good year, but 2016 will be better!"。现在抽取一下所有的年份。代码如下：
import re years_string = "2016 was a good year, but 2017 will be better!" years = re.findall('[2][0-9]{3}',years_string) print(years)运行结果：[‘2016’, ‘2017’]
