上节简单演示了如何获取一个网页的源代码，本节继续，稍微提升一下我们的水平，网页的源代码中通常包含了大量无用的东西，如果你了解html相关知识的话，就会知道网页源代码中还有大量的标签、css代码、js代码,而这些对我们来说，一般都是不需要的，因此，当我们把网页源代码拿到手之后，还需要对它进行一定的处理，从中提取出我们需要的信息。提取的方法有很多，而今天说的方法是利用正则表达式来提取信息，关于正则表达式，详细用法可参见Python正则表达式指南。
正则表达式是对字符串进行操作的一种逻辑公式，利用事先定义好的一些特定字符、以及这些特定字符的组合，组成一个"规则字符串"，这个规则字符串可以用来实现对待操作字符串的定位，选取等操作。
在python中使用正则表达式需要用到python的标准库中一个模块re
>>> import re
简单列一些下面会用到的正则表达式的特殊字符
- [] 字符集，中括号内可以包含任意数量的字符串，然后这个整体可以匹配其中任意一个字符，例如[abc]可以匹配a,b,c中任意一个字符一次
- [0-9] 匹配一个0-9的数字，0-9是0123456789的简写, 正则表达式支持这样的写法
- + 匹配前一个字符1到多次
- . 匹配任意字符，除了换行
- () 括号代表分组，可以将正则表达式分为几个小部分
- 转义，使后一个字符改变原来的意思，主要用来使特殊字符匹配其自身
不多说，先上代码
>>> import requests
>>> url = 'http://httpbin.org/ip'
>>> response = requests.get(url)
>>> print response.content
{
"origin": "123.114.37.67"
}
>>>
上面的代码和昨天差不多，不过打印出了下载到网页的源代码，可以看到，源代码中有一个ip地址，下面我们尝试使用正则获取到这个ip地址
首先分析一下ip地址的格式，1-3个数字然后是.然后是1-3个数字，这样的重复，那么可以这么写
[0-9]+.[0-9]+.[0-9]+.[0-9]+
分析一下:
[0-9]代表匹配任意一个数字, +代表前面字符可以重复1到多次，因此[0-9]+可以匹配1到多个数字，当然也能匹配1-3个数字
代表转移， .代表匹配任意字符， .代表去除.的特殊含义，使得.仅能匹配其自身
>>> content = response.content
>>> match_obj = re.search("[0-9]+.[0-9]+.[0-9]+.[0-9]+", content)
>>> match_obj
<_sre.SRE_Match object at 0x0000000002E37370>
>>> dir(match_obj)
['__class__', '__copy__', '__deepcopy__', '__delattr__', '__doc__', '__format__', '__getattribute__', '__hash__', '__init__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', 'end', 'endpos', 'expand', 'group', 'groupdict', 'groups', 'lastgroup', 'lastindex', 'pos', 're', 'regs', 'span', 'start', 'string']
>>> match_obj.group()
'123.114.37.67'
上面的代码中使用了re.search方法将正则表达式作用于获取的网页源代码上，然后再从返回值的group方法中获取正则表达式匹配到的文本
简单介绍一下re.search方法
search(pattern, string, flags=0)
Scan through string looking for a match to the pattern, returning
a match object, or None if no match was found.
re.search方法接受三个参数，第三个先不说，pattern即为一个正则表达式， string即待操作字符串，然后返回值为一个match object,这个对象的方法在上面的代码中我们也可以看到，可以利用group方法获取匹配到的内容
好了，本节就到这里，举的例子很简单，不过你可以找一些复杂的网页练练手，熟悉一下正则表达式的用法，以后肯定还会有很多地方会用到正则表达式的