一般来讲对我们而言，需要抓取的是某个网站或者某个应用的内容，提取有用的价值。内容一般分为两部分，非结构化的数据和结构化的数据。
实际上爬虫一共就四个主要步骤：
我们在昨天的案例里实际上省略了第3步，也就是"取"的步骤。因为我们down下了的数据是全部的网页，这些数据很庞大并且很混乱，大部分的东西使我们不关心的，因此我们需要将之按我们的需要过滤和匹配出来。
那么对于文本的过滤或者规则的匹配，最强大的就是正则表达式，是Python爬虫世界里必不可少的神兵利器。
正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。
给定一个正则表达式和另一个字符串，我们可以达到如下的目的：
在Python中，我们可以使用内置的re模块来使用正则表达式。
有一点需要特别注意的是，正则表达式使用对特殊字符进行转义，所以如果我们要使用原始字符串，只需加一个r前缀，示例：
r'chuanzhiboke\t\.\tpython'
使用compile()函数将正则表达式的字符串形式编译为一个Pattern对象通过Pattern对象提供的一系列方法对文本进行匹配查找，获得匹配结果，一个Match对象。最后使用Match对象提供的属性和方法获得信息，根据需要进行其他的操作
compile函数用于编译正则表达式，生成一个Pattern对象，它的一般使用形式如下：
importre#将正则表达式编译成Pattern对象pattern=re.compile(r'\d+')
在上面，我们已将一个正则表达式编译成Pattern对象，接下来，我们就可以利用pattern的一系列方法对文本进行匹配查找了。
Pattern对象的一些常用方法主要有：
match方法用于查找字符串的头部（也可以指定起始位置），它是一次匹配，只要找到了一个匹配的结果就返回，而不是查找所有匹配的结果。它的一般使用形式如下：
match(string[,pos[,endpos]])
其中，string是待匹配的字符串，pos和endpos是可选参数，指定字符串的起始和终点位置，默认值分别是0和len(字符串长度)。因此，当你不指定pos和endpos时，match方法默认匹配字符串的头部。
当匹配成功时，返回一个Match对象，如果没有匹配上，则返回None。
>>>importre>>>pattern=re.compile(r'\d+')#用于匹配至少一个数字>>>m=pattern.match('one12twothree34four')#查找头部，没有匹配>>>printmNone>>>m=pattern.match('one12twothree34four',2,10)#从'e'的位置开始匹配，没有匹配>>>printmNone>>>m=pattern.match('one12twothree34four',3,10)#从'1'的位置开始匹配，正好匹配>>>printm#返回一个Match对象<_sre.SRE_Matchobjectat0x10a42aac0>>>>m.group(0)#可省略0'12'>>>m.start(0)#可省略03>>>m.end(0)#可省略05>>>m.span(0)#可省略0(3,5)在上面，当匹配成功时返回一个Match对象，其中：
再看看一个例子：
>>>importre>>>pattern=re.compile(r'([a-z]+)([a-z]+)',re.I)#re.I表示忽略大小写>>>m=pattern.match('HelloWorldWideWeb')>>>printm#匹配成功，返回一个Match对象<_sre.SRE_Matchobjectat0x10bea83e8>>>>m.group(0)#返回匹配成功的整个子串'HelloWorld'>>>m.span(0)#返回匹配成功的整个子串的索引(0,11)>>>m.group(1)#返回第一个分组匹配成功的子串'Hello'>>>m.span(1)#返回第一个分组匹配成功的子串的索引(0,5)>>>m.group(2)#返回第二个分组匹配成功的子串'World'>>>m.span(2)#返回第二个分组匹配成功的子串(6,11)>>>m.groups()#等价于(m.group(1),m.group(2),...)('Hello','World')>>>m.group(3)#不存在第三个分组Traceback(mostrecentcalllast):File"
search(string[,pos[,endpos]])
其中，string是待匹配的字符串，pos和endpos是可选参数，指定字符串的起始和终点位置，默认值分别是0和len(字符串长度)。
让我们看看例子：
>>>importre>>>pattern=re.compile('\d+')>>>m=pattern.search('one12twothree34four')#这里如果使用match方法则不匹配>>>m<_sre.SRE_Matchobjectat0x10cc03ac0>>>>m.group()'12'>>>m=pattern.search('one12twothree34four',10,30)#指定字符串区间>>>m<_sre.SRE_Matchobjectat0x10cc03b28>>>>m.group()'34'>>>m.span()(13,15)再来看一个例子：
#-*-coding:utf-8-*-importre#将正则表达式编译成Pattern对象pattern=re.compile(r'\d+')#使用search()查找匹配的子串，不存在匹配的子串时将返回None#这里使用match()无法成功匹配m=pattern.search('hello123456789')ifm:#使用Match获得分组信息print'matchingstring:',m.group()#起始位置和结束位置print'position:',m.span()执行结果：matchingstring:123456position:(6,12)------------------------------------------------------------------------------------------------------findall方法上面的match和search方法都是一次匹配，只要找到了一个匹配的结果就返回。然而，在大多数时候，我们需要搜索整个字符串，获得所有匹配的结果。
findall方法的使用形式如下：
findall(string[,pos[,endpos]])
findall以列表形式返回全部能匹配的子串，如果没有匹配，则返回一个空列表。
看看例子：
importrepattern=re.compile(r'\d+')#查找数字result1=pattern.findall('hello123456789')result2=pattern.findall('one1two2three3four4',0,10)printresult1printresult2执行结果：
['123456','789']['1','2']再先看一个栗子：
#re_test.pyimportre#re模块提供一个方法叫compile模块，提供我们输入一个匹配的规则#然后返回一个pattern实例，我们根据这个规则去匹配字符串pattern=re.compile(r'\d+\.\d*')#通过partten.findall()方法就能够全部匹配到我们得到的字符串result=pattern.findall("123.141593,'bigcat',232312,3.15")#findall以列表形式返回全部能匹配的子串给resultforiteminresult:printitem运行结果：
123.1415933.15------------------------------------------------------------------------------------------------------finditer方法finditer方法的行为跟findall的行为类似，也是搜索整个字符串，获得所有匹配的结果。但它返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
#-*-coding:utf-8-*-importrepattern=re.compile(r'\d+')result_iter1=pattern.finditer('hello123456789')result_iter2=pattern.finditer('one1two2three3four4',0,10)printtype(result_iter1)printtype(result_iter2)print'result1...'form1inresult_iter1:#m1是Match对象print'matchingstring:{},position:{}'.format(m1.group(),m1.span())print'result2...'form2inresult_iter2:print'matchingstring:{},position:{}'.format(m2.group(),m2.span())执行结果：
split(string[,maxsplit])
其中，maxsplit用于指定最大分割次数，不指定将全部分割。
importrep=re.compile(r'[\s\,\;]+')printp.split('a,b;;cd')执行结果：
['a','b','c','d']------------------------------------------------------------------------------------------------------sub方法sub方法用于替换。它的使用形式如下：
sub(repl,string[,count])
其中，repl可以是字符串也可以是一个函数：
importrep=re.compile(r'(\w+)(\w+)')#\w=[A-Za-z0-9]s='hello123,hello456'printp.sub(r'helloworld',s)#使用'helloworld'替换'hello123'和'hello456'printp.sub(r'\2\1',s)#引用分组deffunc(m):return'hi'+''+m.group(2)printp.sub(func,s)printp.sub(func,s,1)#最多替换一次执行结果：
helloworld,helloworld123hello,456hellohi123,hi456hi123,hello456------------------------------------------------------------------------------------------------------匹配中文在某些情况下，我们想匹配文本中的汉字，有一点需要注意的是，中文的unicode编码范围主要在[u4e00-u9fa5]，这里说主要是因为这个范围并不完整，比如没有包括全角（中文）标点，不过，在大部分情况下，应该是够用的。
假设现在想把字符串title=u'你好，hello，世界'中的中文提取出来，可以这么做：
importretitle=u'你好，hello，世界'pattern=re.compile(ur'[\u4e00-\u9fa5]+')result=pattern.findall(title)printresult注意到，我们在正则表达式前面加上了两个前缀ur，其中r表示使用原始字符串，u表示是unicode字符串。
执行结果:
[u'\u4f60\u597d',u'\u4e16\u754c']
这里采用的是贪婪模式。在匹配到第一个“