聊聊 Python 的 re 模块，别把它当成高冷的黑盒子

说实话，正则表达式听起来就像是魔法。

哈哈，有点吓人对不对？

但其实它就是一堆字符的组合，帮你在字符串里抓东西。

咱们今天就来捣鼓捣鼓这玩意儿。

这个问题经常被问到。

其实原因hen杂，Zui常见的：

1）内容重复太多，搜索引擎觉得没价值。

2）页面加载慢，爬虫等不及就超时了。

3）使用了大量的 JS 动态渲染，爬虫抓不到真实内容。

所以写技术文章的时候，多加点独特见解、别忘了优化下速度，别让百度给忽略啦。

match 从头匹配，一旦失败返回 None。

search 扫描全文，找到第一处匹配就停。

findall 一次性返回所有匹配的列表。

finditer 返回迭代器，省内存大数据geng友好。

sub 替换匹配的子串，Ke以传函数实现复杂逻辑。

split 按模式切分字符串，比 str.split geng强大。

import re
def extract_emails:
    # 用原始字符串避免转义烦恼
    pattern = r'+@+\.{2,}'
    return re.findall
sample = "联系我: , ，还有无效的 user@@bad.com"
print)
# 

import re
def mask_credit_cards:
    # 捕获前6后4，中间全换成 *
    pattern = r'\d{6,10}'
    return re.sub}{'*'*8}{m.group}", text)
msg = "我的卡号是 1234567890123456，请帮忙处理。"
print)
# 我的卡号是 123456********3456，请帮忙处理。

每次调用 re.xxx dou要把模式编译一遍，成本不低。

Ru果同一个模式要用好多次先 compile 然后复用吧。

import re, time
phone_re = re.compile
def find_phones:
    return phone_re.findall
big_text = "Call me 555-123-4567 or 555.987.6543. "*10000
start = time.time
find_phones
print-start)

不然像 \d 会被当成普通转义字符，你会kan到奇怪的错误。

import re
log_lines =  服务启动成功",
    " 数据库连接失败",
    " 磁盘空间不足",
    " 未捕获异常"
]
error_pat = re.compile')
errors = 
print
# 

因为 finditer Neng一次遍历一个 Match 对象，你Ke以直接拿到位置信息，以后Zuo高亮、定位dou方便。

"*""+" 默认是贪婪的，会尽可Neng多地匹配字符。

想要Zui小匹配，只需要在量词后面加个 ? 。比如：

import re
s = "
Hello
World
"
# 贪婪
print