Python编程——进阶知识（正则表达式）

目录

前言

一、正则表达式的作用

二、基础语法速查表

[三、Python re 模块核心函数](#三、Python re 模块核心函数)

[四、编译正则：re.compile() 提升性能](#四、编译正则：re.compile() 提升性能)

五、标志（Flags）控制匹配行为

六、高级技巧：零宽断言与命名分组

七、常见实战场景

八、建议与陷阱

九、调试正则表达式

小结

---

前言

正则表达式（Regular Expression，简称 regex）是处理文本的强大工具，它用一种高度压缩的模式语言 描述字符串的结构。在 Python 中，re 模块提供了完整的 Perl 风格正则支持，让你能轻松完成验证、提取、替换、分割等复杂文本操作。

本文将系统讲解 Python 正则表达式的核心语法、常用函数、高级技巧及最佳实践，助你掌握这门"文本处理的瑞士军刀"。

---

一、正则表达式的作用

想象这些场景：

• 验证邮箱格式是否合法
• 从日志中提取所有 IP 地址
• 批量替换文档中的日期格式
• 分割 CSV 字符串（考虑引号内逗号）

没有正则表达式，你需要写大量繁琐的字符串操作代码。但是有了它，一行即可搞定！

# 提取所有手机号（简化版）
import re
text = "联系我：13812345678 或 15987654321"
phones = re.findall(r'1[3-9]\d{9}', text)
print(phones)  # ['13812345678', '15987654321']

---

二、基础语法速查表

1. 基本匹配

模式	描述	示例
abc	字面量匹配	re.search('hello', 'hello world')
.	任意字符（除换行）	a.c 匹配 "abc", "a c"
^	字符串开头	^Hello
$	字符串结尾	world$

2. 字符类

模式	描述	等价形式
[abc]	匹配 a/b/c 之一	------
[^abc]	不匹配 a/b/c	------
[a-z]	小写字母	------
\d	数字	[0-9]
\w	单词字符	[a-zA-Z0-9_]
\s	空白字符	[ \t\n\r\f\v]

3. 量词

模式	描述	示例
*	0 次或多次	ab*c → "ac", "abbc"
+	1 次或多次	ab+c → "abc", "abbbc"
?	0 次或 1 次	colou?r → "color", "colour"
{n}	恰好 n 次	\d{3} → "123"
{n,}	至少 n 次	\d{2,} → "12", "123"
{n,m}	n 到 m 次	\d{2,4} → "12", "1234"

贪婪 vs 非贪婪：

• 贪婪（默认）：.* 尽可能多匹配
• 非贪婪：.*? 尽可能少匹配

4. 分组与捕获

模式	描述
(abc)	捕获分组，可用 \1 引用
(?:abc)	非捕获分组
(?P<name>...)	命名分组

---

三、Python re 模块核心函数

1. re.match() ------ 从开头匹配

import re

# 只匹配字符串开头
print(re.match(r'\d+', '123abc'))  # <Match object>
print(re.match(r'\d+', 'abc123'))  # None

2. re.search() ------ 全文搜索首个匹配

# 扫描整个字符串
print(re.search(r'\d+', 'abc123def'))  # 匹配 "123"

区别：

• match() ≈ search() with ^
• 大多数场景用 search()

3. re.findall() ------ 查找所有匹配

text = "Emails: alice@example.com, bob@test.org"
emails = re.findall(r'\w+@\w+\.\w+', text)
print(emails)  # ['alice@example.com', 'bob@test.org']

# 带分组时返回元组
pairs = re.findall(r'(\w+)=(\d+)', 'width=100 height=200')
print(pairs)  # 

4. re.finditer() ------ 返回迭代器（内存友好）

for match in re.finditer(r'\d+', 'a1b22c333'):
    print(match.group(), match.span())
# 1 (1, 2)
# 22 (3, 5)
# 333 (6, 9)

5. re.sub() ------ 替换匹配项

# 简单替换
text = "Today is 2023-10-05"
new_text = re.sub(r'\d{4}-\d{2}-\d{2}', 'YYYY-MM-DD', text)
print(new_text)  # Today is YYYY-MM-DD

# 使用函数动态替换
def square(match):
    return str(int(match.group()) ** 2)

result = re.sub(r'\d+', square, "1 + 2 = 3")  # "1 + 4 = 9"

6. re.split() ------ 按模式分割

# 分割但保留分隔符
parts = re.split(r'(\W+)', "Hello, World!")
print(parts)  # ['Hello', ', ', 'World', '!', '']

# 限制分割次数
re.split(r'\s+', "a b c d", maxsplit=2)  # ['a', 'b', 'c d']

---

四、编译正则：re.compile() 提升性能

当同一正则多次使用时，预编译可显著提升性能：

# 未编译（每次解析正则）
for line in log_lines:
    if re.search(r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}', line):
        process(line)

# 编译后（推荐）
ip_pattern = re.compile(r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}')
for line in log_lines:
    if ip_pattern.search(line):
        process(line)

编译对象方法

pattern = re.compile(r'(\w+)@(\w+)\.(\w+)')
match = pattern.search("contact@runoob.com")

print(match.group(0))    # contact@runoob.com
print(match.group(1))    # contact
print(match.groups())    # ('contact', 'runoob', 'com')
print(match.span())      # (0, 18)

---

五、标志（Flags）控制匹配行为

标志	作用	示例
re.IGNORECASE (re.I)	忽略大小写	re.search('HELLO', 'hello', re.I)
re.MULTILINE (re.M)	多行模式（^/$ 匹配每行）
re.DOTALL (re.S)	. 匹配包括换行符
re.VERBOSE (re.X)	忽略空格和注释（提高可读性）

多标志组合

# 同时忽略大小写和多行模式
re.search(r'^start', text, re.I | re.M)

内联标志（局部生效）

# 仅对括号内生效
re.search(r'(?i)hello', 'HELLO')  # 忽略大小写

---

六、高级技巧：零宽断言与命名分组

1. 零宽断言（Lookaround）

• 正向先行 (?=...)：后面必须匹配

  # 提取后面跟着 ".com" 的单词
  re.findall(r'\w+(?=\.com)', 'site: runoob.com')  # ['runoob']

• 负向先行 (?!...)：后面不能匹配

  # 匹配不以 "test" 开头的单词
  re.findall(r'\b(?!test)\w+', 'test1 hello test2')  # ['hello']

2. 命名分组（提高可读性）

date_pattern = re.compile(r'(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})')
match = date_pattern.search("Date: 2023-10-05")

print(match.group('year'))   # 2023
print(match.groupdict())     # {'year': '2023', 'month': '10', 'day': '05'}

---

七、常见实战场景

1. 验证邮箱（简化版）

def is_valid_email(email):
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return re.match(pattern, email) is not None

2. 提取 HTML 标签内容

html = '<div class="content">Hello <b>World</b></div>'
text = re.sub(r'<[^>]+>', '', html)  # 移除所有标签
print(text)  # Hello World

注意： 正则不适合解析复杂 HTML/XML，应使用 BeautifulSoup 等专用库。

3. 敏感信息脱敏

# 隐藏手机号中间四位
phone = "13812345678"
masked = re.sub(r'(\d{3})\d{4}(\d{4})', r'\1****\2', phone)
print(masked)  # 138****5678

---

八、建议与陷阱

建议

1. 使用原始字符串 ：r'\n' 而非 '\\n'
2. 预编译重复使用的正则
3. 优先使用 search() 而非 match()
4. 复杂正则添加注释 （配合 re.X）
5. 验证边界条件（空字符串、特殊字符）

陷阱

1. 过度使用正则 ：简单字符串操作用 str 方法更高效

2. 忽略转义 ：. 在正则中有特殊含义，匹配字面点需 \.

3. 贪婪匹配陷阱 ：

   # 错误：.* 会匹配到最后一个 >
   re.search(r'<div>(.*)</div>', '<div>a</div><div>b</div>')
   # 正确：使用非贪婪 .*?
   re.search(r'<div>(.*?)</div>', ...)

4. 性能问题 ：避免回溯爆炸（如 (a+)+）

---

九、调试正则表达式

1. 使用在线工具

• regex101.com（推荐）
• pythex.org

2. Python 调试技巧

# 打印匹配详情
match = re.search(pattern, text)
if match:
    print(f"匹配: {match.group()}")
    print(f"位置: {match.span()}")
    print(f"分组: {match.groups()}")

---

小结

正则表达式是文本处理的利器，但正如那句名言所说：

"有些人遇到问题就想用正则表达式解决。于是他们现在有两个问题。"

合理使用正则------在它真正能简化代码时。

避免滥用------当简单字符串方法足够时。

"好的正则表达式不是最复杂的，而是最清晰、最高效、最易维护的。"

掌握本文内容，你已具备解决文本处理任务的能力。现在，去用正则表达式解放你的双手吧！

希望大家能够有收获，大家的点赞和关注是对我最大的支持和帮助！