使用正则表达式的几个步骤：

1、用import re 导入正则表达式模块；

2、用re.compile()函数创建一个Regex对象；

3、用Regex对象的search()或findall()方法，传入想要查找的字符串，返回一个Match对象；

4、调用Match对象的group()方法，返回匹配到的字符串。

在交互式环境中简单尝试一下，查询字符串中的固话：

1 import re2 text = '小明家的固话是0755-123456，而小丽家的固话时0789-654321，小王家的电话是123456789'#用于检测的字符串3 4 ph_re = re.compile(r'\d{4}?-\d+') #创建Regex对象，匹配几种电话的方式，\d表示0-9的数字，{4}表示前面的匹配4次，？表示可选，+表示出现1次或多次。5 matchs1 = ph_re.findall(text) #findall()表示查找所有匹配项，返回一个字符串6 matchs2 = ph_re.search(text)#search(),查找第一次匹配的文本，返回一个对象。7 print(matchs1)8 print(matchs2)9 matchs2.group()

返回的结果，是这样的：

findall()方法返回的是一个字符串，可以直接打印出来。而search()方法返回的是一个对象，所以打印出来的是是如图的第二行。

调用group()，对象返回匹配的结果。

最后，小王的电话之所以没有匹配到，是因为'-'没有进行可选即在其后加上‘？’。

下面进行一个小的实验，获取某个网页中所有的http/https网址，并计算有多少个。

首先是获取HTML文件。这里要用到requests模块。

1 # -*- coding: utf-8 -*- 2 import requests 3 import re 4  5  6 def get_html(url): 7     res = requests.get(url) 8     res.encoding = 'utf-8' 9     html = res.text10     return html

这里get_html函数返回的，其实就类似上面例子中的text，用来匹配的文本。

然后，创建正则表达式：

1 def get_addr(response): 2     addr_regex = re.compile(r'''( 3         (http://|https://)?　　#http/https 4         (www)? 5         (\.[a-z1-9A-Z]+) 6         (\.com|\.cn) 7         )''',re.VERBOSE)#匹配网址， 8     matchs = [] 9     for groups in addr_regex.findall(response):10         matchs.append(groups[0])11     if len(matchs) == 0:12         print('没有网址')     13     return matchs

这里向re.compile(),传入变量re.VERBOSE，作为第二个参数，可以将正则表达式放在多行，并进行注释，如上。

返回一个matchs列表对象。

再来个启动函数。

1 def start():2     url = 'http://news.163.com/18/0127/18/D966K4CO0001899N.html'3     a = get_html(url)4     b = get_addr(a)5     print('\n'.join(b))6     print(str(len(b)))7     print('ok')8 if __name__ == '__main__':9     start()

这里传入的url是我随意找的一个新闻链接。

然后调用get_html()和get_addr()，就得到了想要的东西。str(len(b))，为统计的数量。

测试的结果是类似这样的：

 

　　这里似乎获取一些URL，没什么卵用。。。但是，如果结合前面的查询新闻列表的方式，获取批量url，

而创建的正则是xxx.jpg，然后调用os模块，os.mkdir(folder)、os.chdir(folder)，将获取到的匹配结果写入文件，放入某个文件夹。

那么就可以实现，从某些网站上批量获取jpg图片，然后存入某个文件夹的爬虫功能。实测，可行！