正则表达式

Python提供了对正则表达式的支持，在其内置的re模块中包含一些函数接口和类，开发人员可以使用这些函数和类，对正则表达式与匹配结果进行操作。

re模块的一般使用步骤如下：

（1）使用compile()函数将正则表达式以字符串形式编译为一个Pattern类型的对象。

（2）通过Pattern对象提供的一系列方法对文本进行匹配查找，得到一个表示匹配结果的Match对象。

（3）使用Match对象提供的属性和方法获得信息，如匹配到的字符串。

大多数情况下，从网站上爬取下来的网页源码中都有汉字，如果要匹配这些汉字，那么就需要知道其对应的正则表达式。通常情况下，中文对应的Unicode 编码范围为[u4e00-u9fa5]，这个范围并不是很完整，比如没有包括全角（中文）标点，但是大多数情况下是可以使用的。

例如，把“你好，hello，世界”中的汉字提取出来，可以通过如下代码实现：

import re
# 待匹配的字符串
title = "你好，hello，世界"
# 创建正则表达式，用于只匹配中文
pattern = re.compile(r"[\u4e00-\u9fa5]+")
# 检索整个字符串，将匹配的中文放到列表中
result = pattern.findall(title)
print(result)

上述示例中，首先定义了一个字符串“你好，hello，世界”，然后创建一个正则表达式对象pattern，用于匹配该字符串中的中文，接着调用findall方法将“你好”和“世界”提取为子串后保存到列表result中。

该示例的执行结果如下：

['你好', '世界']