小白python入门 - 23. Python 正则表达式的应用

正则表达式的应用

1. 正则表达式概述

处理文本时，常需要按某种"规则"检查、提取或改写片段，例如从日志里找出订单号、校验表单字段格式、把敏感数字中间位打码。正则表达式（Regular Expression）就是描述这类规则的专用记法：它定义一种模式，用来判断字符串是否匹配，或从字符串中取出/替换匹配部分。

可以把它理解成比文件名通配符（*、?）更精细的匹配语言：表达力更强，书写成本也更高。今天绝大多数语言都内置了正则支持；在 Python 中，标准库模块 re 负责编译与匹配。

更多语法可参考通用入门材料，例如 正则表达式 30 分钟入门。读完后，下表中的常用符号会更容易对照使用。

符号	含义	示例	说明
.	任意单个字符	c.t	可匹配 cat、c9t 等
\w	字母、数字、下划线	\w+	一段"词"字符
\s	空白（空格、制表、换行等）	id\s*=	id 与 = 之间允许空白
\d	数字	\d{4}	恰好 4 位数字
\b	单词边界	\bEND\b	独立单词 END
^ / $	串首 / 串尾	^ERR、\.log$	以 ERR 开头、以 .log 结尾
\W \S \D \B	与上面几类相反	\D+	连续非数字
[...] / [^...]	字符集 / 取反	[A-Z]、[^0-9]	大写字母；非数字
* / + / ?	0 次及以上 / 1 次及以上 / 0 或 1 次	\d+	至少一位数字
{n} {m,} {m,n}	固定或区间次数	\d{2,4}	2～4 位数字
`	`	分支（或）	`GET
(exp)	捕获分组	(\d+)-(\d+)	可取各组内容
(?:exp)	非捕获分组	(?:ab)+	只分组不捕获
(?=exp) / (?<=exp)	正向 / 反向先行断言	\d+(?=元)	数字后紧跟"元"
(?!exp) / (?<!exp)	负向断言	(?<!\d)\d{6}(?!\d)	恰好 6 位且两侧非数字
*? +? ?? {m,n}?	懒惰量词	a.*?b	尽可能短地匹配

说明： 若要匹配正则元字符本身，需转义，例如字面小数点写作 \.，字面括号写作 \( \)。

---

2. Python 中的 re 模块

函数 / 标记	作用
compile(pattern, flags=0)	编译模式，得到可复用的正则对象
match(pattern, string, flags=0)	从字符串开头 尝试匹配，成功返回匹配对象，否则 None
fullmatch(pattern, string, flags=0)	要求整串完全符合模式
search(pattern, string, flags=0)	在串中查找第一次出现
findall(pattern, string, flags=0)	返回所有匹配的字符串列表（有分组时结构会变化）
finditer(pattern, string, flags=0)	返回匹配对象的迭代器
split(pattern, string, maxsplit=0, flags=0)	按模式切分，返回列表
sub(pattern, repl, string, count=0, flags=0)	用替换内容替换匹配；repl 可为字符串或函数
purge()	清理隐式编译缓存
re.I / re.IGNORECASE	忽略大小写
re.M / re.MULTILINE	多行模式下 ^ $ 作用于每行

关键概念：

• 同一模式若会多次使用，应先 compile，再调用对象的 match / search / findall 等方法。
• 书写模式时推荐原始字符串 r'...'，避免 \ 被 Python 字符串先转义一层（否则 \d 常要写成 \\d）。

多个 flags 可用按位或组合，例如 flags=re.I | re.M。

---

3. 应用示例

3.1 校验工号与邮箱（match / fullmatch）

规则约定：

• 工号：2 位大写字母 + 4～6 位数字，整串合法（如 HR1024、IT90001）。
• 邮箱：本地部分允许字母数字、点、下划线、百分号、加号、减号；@ 后为域名片段。

import re

staff_id = input('工号: ').strip()
email = input('邮箱: ').strip()

# match：从开头匹配；配合 ^...$ 等价于"整串符合"
m_id = re.match(r'^[A-Z]{2}\d{4,6}$', staff_id)
if not m_id:
    print('工号格式无效')

# fullmatch：整串必须完全匹配，模式里可不写 ^ $
m_mail = re.fullmatch(
    r'[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}',
    email,
)
if not m_mail:
    print('邮箱格式无效')

if m_id and m_mail:
    print('校验通过')

提示： match 只锚定开头；若未写 $，AB1234xyz 在宽松模式下可能被误判为"从开头已匹配成功"。校验整字段时优先 fullmatch，或显式使用 ^...$。

---

3.2 从日志中提取订单号（compile / findall / finditer / search）

订单号形如 ORD- + 8 位数字。用前后断言避免与更长数字串粘连，并演示三种取结果的方式。

import re

# 左侧非数字、右侧非数字，降低误匹配
pattern = re.compile(r'(?<!\d)ORD-\d{8}(?!\d)')

log_text = """
[INFO] create ORD-20250101 ok
retry ORD-20250102; noise ORD-20250102111 ignored
client sent ORD-20250315 and ORD-20250316
"""

# 方法一：全部匹配成列表
print(re.findall(pattern, log_text))

# 方法二：迭代匹配对象
for m in pattern.finditer(log_text):
    print(m.group(), 'at', m.start())

# 方法三：search 从上次结束位置继续扫
m = pattern.search(log_text)
while m:
    print(m.group())
    m = pattern.search(log_text, m.end())

关键点：

• findall 适合只要文本；需要位置或分组细节时用 finditer。
• search(..., pos) 可从指定下标继续搜，适合手写扫描循环。

若号段规则更复杂，可把主体改成分支，例如 ORD-(?:20\d{6}|9\d{7})，再保留两侧断言。

---

3.3 脱敏证件号与手机号（sub）

将 11 位手机号中间 4 位、18 位证件号中间若干位替换为 *。repl 使用函数，按分组拼接。

import re

def mask_sensitive(text: str) -> str:
    def repl_phone(m: re.Match) -> str:
        s = m.group()
        return s[:3] + '****' + s[7:]

    def repl_id(m: re.Match) -> str:
        s = m.group()
        return s[:4] + '*' * 10 + s[-4:]

    text = re.sub(r'(?<!\d)1\d{10}(?!\d)', repl_phone, text)
    text = re.sub(
        r'(?<!\d)\d{17}[\dXx](?!\d)',
        repl_id,
        text,
        flags=re.IGNORECASE,
    )
    return text


sample = '联系人 13812345678，证件 110101199001011234，备用 13900001111'
print(mask_sensitive(sample))
# 输出类似：联系人 138****5678，证件 1101**********1234，备用 139****1111

说明： flags=re.I（或 re.IGNORECASE）让证件末位 x/X 都能匹配。多个标志用 | 叠加。真实业务号段、校验位规则更严，此处仅演示替换接口。

---

3.4 按多种分隔符拆分配置行（split）

配置项可能用逗号、分号或竖线分隔，分隔符后允许空格。

import re

line = 'host=10.0.0.8; port=8080 | timeout=3, retries=2'
parts = re.split(r'[,;|]\s*', line)
fields = [p for p in parts if p]
for item in fields:
    print(item)
# host=10.0.0.8
# port=8080
# timeout=3
# retries=2

split 得到的列表可能含空串（首尾或连续分隔符），用列表推导过滤即可。需要限制段数时传入 maxsplit。

---

总结

场景	常用接口
整字段是否合法	fullmatch，或 match + ^...$
取出全部片段	findall / finditer
从某位置继续找	search + 结束下标
改写匹配内容	sub（字符串或回调）
按模式切开	split
模式复用	先 compile

正则擅长结构化文本的校验、抽取与改写；模式越复杂，越建议用在线调试工具边写边测。业务规则变更时，优先收紧字符类与断言，并补上边界用例（空串、粘连数字、大小写），避免"能跑但误伤"。

`)