果果有个小小的计划，就是准备把所有文章做成PDF供大家传阅。想法挺好的，但是做起来不大容易。因为太懒，平时没有备份文章的习惯，在公众平台后台写完就直接发了，要想找所有文章只能去微信那儿找。大体看了下，从一开到现在一共160多篇文章，如果一篇一篇打开然后复制粘贴的话，我一个周末就不用干别的了。没办法，只能写个爬虫自动收集。（然而写完周末也没了，但是程序员无疑更喜欢后者）

之前的文章有介绍过爬虫（互联网的黄金矿工：爬虫），但只涉及到基本原理，真正去做的时候，你会发现需要综合很多知识。比如说你辛辛苦苦爬到了一个网页的数据，如何快速找出你感兴趣的内容呢？这就要用到正则表达式了。正则表达式太抽象，简单来说就是用来匹配字符串的。匹配字符串的意思是，你先定义一套规则，然后根据这套规则去一个字符串里找那些符合规则的字符串。

你可能会问，这不就是搜索吗？的确，当你在百度上敲入「癌症」两个字的时候，搜索引擎也会在它事先存好的网页里匹配「癌症」这两个字。道理是一样的，但是搜索只能精确的查找某个具体的单词，正则表达式却可以匹配「一类」东西。

比如你定义了一个正则表达式叫d+，表示只要出现一个或多个数字，就匹配成功，就是这个意思。

这有点像你去相亲，先定义了一套正则表达式的规则，比如身高180+、有房有车有车位，然后去相亲网上去找，最后系统给你找到了10个男生，这样就算是匹配成功了。而搜索的话，你就需要精确的输入你想找的人的姓名，然后匹配的结果也很可能只有一个。

介绍完概念，现在就要进入正题了，如何写一个正则表达式？

我们从最简单的开始。假如你想匹配一个词「play」，那么你就写正则表达式「play」，如果你的字符串为「play game」，恭喜你，匹配成功。

但是，「play」这个正则表达式也会匹配到「player」、「playboy」之类的，而你只想找单独存在的单词「play」，那你需要在你的表达式里加上b，它的意思是单词的分界。然后你的表达式就成了「bplayb」。

b被称为元字符，元字符是从普通字符里选出来的特殊字符，有着特殊的含义。

比如w，可以代表一个单词和数字。

再比如d，可以代表一个数字。

还有s，表示空白符。

还有「.」，可以匹配任意字符。

现在，如果我要匹配8位数的QQ号码，你可以写成dddddddd。

好麻烦啊，要匹配18位的身份证号，是不是要写18个d呢？还好，我们有表示数量的限定符，比如「{ }」。18位的身份证号（只考虑数字）可以写成d{18}.

类似的，还有「*」，表示任意数目。还有「+」，表示最少1个。还有「？」，表示最多1个。

现在你要匹配一个小数，例如3.1415926，你可以用这样的正则表达式：「d+.d*」。

解释一下，前两个d+很好理解，表示小数点前面有至少1个数字。后面d*表示小数点可以有任意个数字。中间的小数点为什么加了一个反斜杠呢？试想一下，如果没有反斜杠，小数点就是一个元字符，用来表示任意字符了。加了反斜杠之后，就回归本意，单纯的表示一个小数点了。

正则表达式还有很多规则，一篇文章讲不完，你们可以先了解下原理，然后去网上找资料。最后说下正则表达式的应用之处吧。

• 验证用户输入是否合法。昨天的文章讲防范SQL注入的时候，可以用正则表达式来匹配用户提交的表单信息。比如规定用户名只能是数字、字母和下划线，可以用「^w+$」。

• 从你爬下来的网页数据里提取信息。这个需要分析文章结构，然后找到信息的特征，用正则表达式来提取。

• 当然，有关部门还可以用正则表达式来过滤敏感词。

正则表达式先讲这么多，下一篇就该进入爬虫正题了。

本文来自给产品经理讲技术（微信公众号：pm_teacher）授权发表，转载请联系原作者，违者必究。