本文共 1479 字，大约阅读时间需要 4 分钟。

python 正则表达式：

调用re模块：注意用findall返回的是列表

概括字符集：\d \D

\w ：a-z/A-Z/0-9 单词字符 \W 非单词字符

\s :匹配空白字符 如 \n \t 空格 \n

\S:非空白字符

匹配汉字："[\u4e00-\u9fA5]"

#.匹配除换行符\n之外其他所有字符

数量词：

当我在正则匹配中遇到一个问题 ：

#这是源码：

line5 = "xxx出生于2008年6月5日"

match_object = ".*出生于(\d{4}[年/-]\d{1,2}([月/-]\d{1,2}|[月/-]\d{1,2}[日]|[月/-]$|$))"

r = re.match(match_object,line2)

print(r.group(1))

无论如何 都匹配不到“日”

最后发现 如果匹配到了第一个符合的 就不会匹配了：切记一点

       在正则中 需要匹配最长的字符串 然后在匹配其他的：

       下面是改良版的：

       match_object = ".*出生于(\d{4}[年/-]\d{1,2}([月/-]\d{1,2}[日]|[月/-]$|$|[月/-]\d{1,2}))"

       改变一下匹配的位置即可。

        def filter_tags(content):  ###对网页源码做处理，保留文本内容

            re_cdata = re.compile('//<!\[CDATA\[[^>]*//\]\]>', re.I)  # 匹配CDATA  /<![CDATA[

            re_script = re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>', re.I)  # Script ===========

            re_style = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>', re.I)  # style    ==========

            re_br = re.compile('<br\s*?/?>')  # 处理br  ========

            re_h = re.compile('</?\w+[^>]*>')  # HTML标签

            re_comment = re.compile('<!--[^>]*-->')  # HTML注释 ========

            re_rn = re.compile('\\r|\\n|\\t')  # 处理换行和制表符   ======

            re_xa = re.compile('\xa0')  # 处理空白符   ======

            re_s = re.compile('\s')  # 处理空格    =======

            s = re_cdata.sub('', content)  # 去掉CDATA

            s = re_script.sub('', s)  # 去掉SCRIPT

            s = re_style.sub('', s)  # 去掉style

            s = re_br.sub('', s)  # 将br转换为换行

            s = re_h.sub('', s)  # 去掉HTML 标签

            s = re_comment.sub('', s)  # 去掉HTML注释

            s = re_rn.sub('', s)  # 去掉换行空格=====

            s = re_xa.sub('', s)  # 去掉空白符=====

            s = re_s.sub('', s)  # 去掉空格======

            return s

        if __name__ == '__main__':

            print(filter_tags(content))