在 Python 采集领域，正则表达式到底要学多深？同理，XPath 表达式要学多少才够用？这两个问题是很多新人的疑问，而且这两个问题还没有标准答案……
本篇博客为你梳理，在初学阶段，二者你应该学到何种地步，给你定一个小目标，即初学的
范围。
正则表达式
正则表达式在 Python 中，主要配合 re 模块使用，该模块应用难度不大，但正则表达式编写却困扰很多朋友。
正则难写的原因如下：
1.它也算是一门独立的编程语言，有自己的规范；
2.正则表达式独立于任何编程语言，也表示它可以和任意编程语言结合；
3.每个人写出的表达式不一致，即“每题”的答案都不唯一；
4.正则有语法，有修饰符，有元字符，有运算符的优先级，初学阶段概念有点庞杂，无从下手。
既然已经分析到正则难写的原因，那接下来逐一克服即可。
首先要明确第一个概念，正则是干什么的？
简单理解，正则表达式就是一种文本（字符串）的检索模式，它可以从一个长字符串中，匹配出目标字符串。
例如从 abc1234dfertg 中提取 1234。
初学正则
初学阶段，上来要做的事情是了解正则的基本语法，从字符开始进行学习。
普通字符这个是非常简单的，例如 a，1 就是一个普通字符，应用到正则表达式里面，就可以去匹配指定字符串的 a 或者 1。
顺着字符就扩展出来正则的核心内容了，元字符。
元字符元字符就是，在正则中有特殊的含义的一些语法表述。
常见的元字符如下：
\d：匹配一个数字；
\w：匹配字母、数字、下划线；
这里就会出现一个学习阶段的门槛，记忆元字符。
在初学阶段，尤其是初学 Python 采集阶段，那按照如下顺序记忆即可（必须掌握）。
.：匹配除换行符（\n、\r）之外的任何单个字符，一般比较简单的正则用 . 能匹配大多数内容了；
*：匹配前面的表达式 0 次~无限次；
+：匹配前面的表达式 1 次~无限次；
?：匹配前面的子表达式 0 次或 1 次，这个 ? 还有一个用途为【当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的，非贪婪模式表示尽可能少的匹配所搜索的字符串】，这个有点绕，后文有参考案例；
\：转义符，例如你想要匹配 .，需要用 \.；
\s：注意是小写 s，匹配任何空白字符，包括空格、制表符、换页符等等，在解析 HTML 的时候，很常用，因为网页源码中经常出现换行情况；
[xyz]：匹配中框好中的任意一个字符；
(pattern)：分组，并匹配出 pattern；
掌握并熟练的使用以上 8 个元字符，在初学爬虫阶段，一般的网页就能畅通无阻的进行解析了。
解释一下贪婪模式。
如果存在一个字符串为 www.csdn.com，你编写了正则如下：w+，此时能匹配到 www，该正则会尽可能多的去匹配 w 字符，当修改正则为：w+? 时，匹配到的结果为 w，即尽可能少的匹配，也就是 元字符 ? 使得正则变为了非贪婪模式。
初学正则在python中的落地
有了上述元字符概念，你在去复盘 120 例之前的正则部分文章，会发现出现过很多次如下正则： (.*?)，此时就能理解其含义，并且你也能知道，这是最普通的正则表达式，只能算是偷懒之作，但是写起来确实方便。
如果碰到的网页出现了换行或者空格，那上述正则将演变为 (.|\s)*?，结合上文的必背元字符，你能理解其含义吗？
理解不了去学习就对了，毕竟我们又引入了一个元字符 |，.|\s 表示选择，匹配 . 或 \s，即匹配任意字符在加上空格。
基本的元字符熟悉之后，才能进行更多的扩展，学习其它元字符，使得你的正则表达式写的标准与高效。
除了元字符外，对于正则还需要学习的是修饰符，该内容不多，有如下几种：
i：忽略大小写；
g：全局匹配；
m：多行匹配；
s：. 圆点符号，支持匹配空格。
这些内容不重点讲解的原因是：不同的编程语言有其特殊的实现方式，具体需要依旧语言本身来实现，例如 Python 的 re 模块，就有针对性的实现，你可以去检索 re 模块相关用法。
其余进阶内容，请重点围绕正则分组进行学习，该部分将在后期总结篇展现。
XPath 表达式
XPath 即 XML Path，一种在 XML 文档中查找节点元素的语言。
如果深入研究，XPath 依旧有非常多的知识点需要补充，但是作为初学采集，优先掌握如下内容即可。
初学阶段必会语法
XPath 路径表达式
这个路径与电脑硬盘路径获取基本一致。
先区分好 / 与 //，它们分别表示从根节点选择，或者从任意位置的某个节点进行选择。
例如存在如下 XML 文档，根阶段为 root，其它内容如下所示
<root> <book bid="1"> <author>A</author> </book> <book bid="2"> <author>B</author> </book> </root>
例如 /root/book，表示从根节点开始选择 book 节点，如果使用 /book，则无法匹配到任何数据。
使用 //book，则可以匹配到所有 book 元素。
直接使用 book 也可以匹配出所有的 book 节点。
