1.正则表达式基础语法

字符匹配：
普通字符：大多数字符（如字母、数字、标点符号）会匹配它们自身。例如，正则表达式abc会匹配字符串中的abc这三个连续的字符。
特殊字符：有些字符在正则表达式中有特殊含义，如^（表示匹配行的开头）、$（表示匹配行的结尾）、.（匹配除换行符外的任意一个字符）、*（匹配前面的字符零次或多次）、+（匹配前面的字符一次或多次）、?（匹配前面的字符零次或一次）。例如，a.*b会匹配以a开头、b结尾的字符串，中间可以有任意多个（包括零个）字符。
字符类：
方括号[]用于定义字符类，匹配其中的任意一个字符。例如，[abc]会匹配a、b或者c中的任意一个。也可以使用范围表示，如[a - z]会匹配任意一个小写字母。
分组：
括号()用于分组。例如，(ab)+会匹配ab这个组合一次或多次出现的情况，如ab、abab等。分组还可以用于在匹配后提取特定的部分，这在提取网页信息时非常有用。

2.在 Python 中使用正则表达式提取网页信息的步骤

导入模块：在 Python 中，需要导入re模块来使用正则表达式。例如，import re。
获取网页内容：首先要有网页的内容，可以通过发送 HTTP 请求（如使用urllib或requests库）来获取网页源代码。假设已经获取到网页内容并存储在变量html_content中。
编写正则表达式模式：根据要提取的特定信息编写正则表达式。例如，如果要提取网页中的所有电子邮件地址，电子邮件地址的一般格式是用户名@域名，可以编写如下正则表达式模式：[a - zA - Z0 - 9_.±]+@[a - zA - Z0 - 9 -]+.[a - zA - Z0 - 9 -]+。
进行匹配和提取：使用re模块中的函数来进行匹配和提取。
re.findall () 函数：用于在字符串中找到所有匹配给定正则表达式的子串，并返回一个列表。例如，email_addresses = re.findall(‘[a - zA - Z0 - 9_.±]+@[a - zA - Z0 - 9 -]+.[a - zA - Z0 - 9 -]+’, html_content)，这样就可以得到网页中所有电子邮件地址的列表。
re.search () 函数：在字符串中查找匹配正则表达式的第一个位置，并返回一个匹配对象。如果要提取匹配的内容，可以通过匹配对象的group()方法。例如，match = re.search(‘', html_content)，如果找到匹配的

3.示例：提取网页中的电话号码

假设网页内容中有电话号码，格式为(xxx) xxx - xxxx。
正则表达式模式可以写为(\d{3}) \d{3}-\d{4}。
代码如下：

     import re
     html_content = "<p>联系电话：(123) 456 - 7890</p>"
     phone_numbers = re.findall('\(\d{3}\)\s*\d{3}\s*-\s*\d{4}', html_content)
     print(phone_numbers)

运行结果：[‘(123) 456 - 7890’]

4.注意事项

网页内容的复杂性：网页内容可能很复杂，存在多种格式和编码。例如，HTML 标签可能嵌套，内容可能包含特殊字符。在编写正则表达式时，需要考虑这些因素，可能需要对正则表达式进行调整。
贪婪匹配与非贪婪匹配：在使用*、+等量词时，默认是贪婪匹配，即会尽可能多地匹配字符。如a.b会匹配从第一个a到最后一个b之间的所有字符。如果要实现非贪婪匹配，需要在量词后加上?，如a.?b，这样会匹配最短的符合条件的字符串。
验证正则表达式：可以使用一些在线正则表达式测试工具（如regex101.com）来验证和调试正则表达式，确保其能够正确地匹配和提取想要的信息。