Python正则表达式

正则表达式：一种文本模式匹配工具，Python中使用内置模块re实现正则功能

一、正则表达式作用

1.文本过滤：从大段文本中提取需要的内容

2.合法性校验：检查用户输入是否符合格式（如手机号、邮箱、数字类型等）

二、re模块核心函数

函数	作用	返回值	说明
re.search(pattern, string)	在整个字符串中搜索第一个匹配项	match对象或None	不要求从开头匹配
re.match(pattern, string)	从字符串开头开始匹配	match对象或None	相当于自动加^
re.findall(pattren, string)	查找所有匹配项	列表	如果有分组，只返回分组内容
re.finditer(pattern, string)	查找所有匹配项	迭代器	每个元素是match对象
re.sub(pattern, repl, string)	替换所有匹配项	新字符串	可用\1等引用分组
re.compile(pattern)	编译正则表达式	正则对象	重复使用时提升效率

python 复制代码

import re
msg = "hello, hunan; hello changsha"
print(re.findall(r"hello", msg))   # ['hello', 'hello']
print(re.search(r"hello", msg).group())  # hello
print(re.match(r"hello", msg).group())   # hello

三、match对象常用属性和方法

使用search或match返回的match对象

方法/属性	作用
group()	返回匹配到的完整字符串（参数默认为0）
group(n)	返回第n个捕获分组匹配的内容（n从1开始）
start()	匹配内容在原始字符串中的起始索引
end()	匹配内容在原始字符串中的结束索引（不包含）
span()	返回(start, end)元组

四、原始字符串（raw string）

正则表达式中包含很多反斜杠 \ ，为避免Python字符转义干扰，一般在字符串前加上r

1.原始字符串中\d就是两个字符 \ 和 d，不会被解释为转义

2.普通字符串中要表示 \d 需要写成 \\d

python 复制代码

# 匹配字符串中的 \t 两个字符（反斜杠+t）
print(re.search(r"o\\tsc", "hello\\tsc"))  # 匹配成功

五、正则表达式基本语法

1.字符类

①匹配方括号内任意单个字符字符

②支持范围： $a-z$ 、 $0-9$ 、 $A-Za-z0-9$

③取反： $\^...$ 匹配不在括号内的任意字符

python 复制代码

re.findall("[pPfw]y", "I am learn python,hello wy")
# 结果：['py', 'wy']（匹配 py 或 Py 或 fy 或 wy）

2.或 |

①匹配左右任一表达式

②| 优先级较低，必要时用括号分组

python 复制代码

re.findall(r"changsha|wuhan", "welcome to changsha, welcome to wuhan")
# 结果：['changsha', 'wuhan']

3.占位符 .

匹配除换行符 \n 外的任意单个字符（re.S使其可以匹配换行）

python 复制代码

re.findall(".", "aA2*\t\n中文")  # 不包含 \n，其余都匹配

4.锚点 ^ 和 $

①^：匹配字符串开头（多行模式下匹配每行开头，需re.M）

②$：匹配字符串结尾（多行模式下匹配每行结尾）

python 复制代码

re.findall(r"^p.thon", "pwthon python")   # 只匹配开头的 pwthon
re.findall(r"p.thon$", "pwthon python")   # 只匹配结尾的 python

5.快捷方式（预定义字符类）

符号	含义	等价写法
\d	数字	$0-9$
\D	非数字	$\^0-9$
\w	单词字符（字母、数字、下划线）	$A-Za-z0-9_$
\W	非单词字符	$\^A-Za-z0-9_$
\s	空白字符（空格、\t、\n、\r、\f、\v）	$\\t\\n\\r\\f\\v$
\S	非空白字符	$\^ \\t\\n\\r\\f\\v$
\b	单词边界（单词与空格/标点之间）	无等价
\B	非单词边界	无等价
\A	字符串开始（不受 `re.M` 影响）	类似 `^`

python 复制代码

re.findall(r"\d", "hello 123")        # ['1','2','3']
re.findall(r"\bworld\b", "world# world123 worldxyz world abcworld")
# 结果：['world', 'world', 'world']  只匹配独立的 world

6.量词（重复次数）

符号	含义
*	前面的元素出现 0 次或多次
?	前面的元素出现 0 次或多次
+	前面的元素出现 1 次或多次
{n}	前面的元素恰好出现 n 次
{n,}	至少出现 n 次
{n,m}	出现 n 到 m 次

python 复制代码

re.findall("py?", "python p pyy ps")   # ['py', 'p', 'py', 'p']
re.findall("py+", "python p pyy ps")   # ['py', 'pyy']
re.findall("py*", "python p pyy ps")   # ['py', 'p', 'pyy', 'p']
re.findall("py{2,4}", "pyyyy pyy p")   # ['pyyyy', 'pyy']

7.贪婪模式 vs 非贪婪模式

①贪婪模式（默认）：量词尽可能多地匹配

②非贪婪模式：在量词后加 ?，匹配尽可能少

量词	非贪婪模式	说明
*	*?	最少 0 次（可为空）
+	+？	最少 1 次
?	？？	最少 0 次
{n,m}	{n,m}?	最少 n 次

python 复制代码

msg = "<div><p>hello</p></div><div><h1>world</h1></div>"
print(re.findall(r"<div>.*</div>", msg))
# 贪婪：匹配最长的 div 块 → ['<div><p>hello</p></div><div><h1>world</h1></div>']
print(re.findall(r"<div>.*?</div>", msg))
# 非贪婪：匹配最短的 div 块 → ['<div><p>hello</p></div>', '<div><h1>world</h1></div>']

六、分组与捕获

1.捕获分组(regex)

①将括号内的表达式作为一个整体

②匹配后会保存到内存，按左括号顺序编号1，2，3...

③可通过group(n)获取第n组内容

python 复制代码

msg = "tel:173-7572-2991"
ret = re.search(r'(\d{3})-(\d{4})-(\d{4})', msg)
print(ret.group(0))   # 173-7572-2991  （完整匹配）
print(ret.group(1))   # 173
print(ret.group(2))   # 7572
print(ret.group(3))   # 2991

2.非捕获分组(?:regex)

①只分组不捕获，不占用分组编号

②作用：使结构清晰，但不保存内容

python 复制代码

ret = re.search(r'(?:\d{3})-(\d{4})-(\d{4})', msg)
print(ret.group(1))   # 7572 （因为第一个分组是非捕获，编号从后面的开始）

3.向后引用 \1、\2...

①引用前面捕获分组匹配到的具体内容

②可用于匹配重复内容

python 复制代码

msg = "tel:173-7572-173"
ret = re.search(r'(\d{3})-(\d{4})-\1', msg)
print(ret.group())   # 173-7572-173  （最后的 173 与第一组相同）

# 非捕获分组后的引用
msg = "tel:173-7572-7572"
ret = re.search(r'(?:\d{3})-(\d{4})-\1', msg)
print(ret.group())   # 173-7572-7572  （\1 引用第一捕获组即 \d{4}）

4.findall与分组的关系

①如果正则中包含捕获分组，findall只返回分组内容，不返回完整匹配

②若想返回完整匹配，可使用非捕获分组(?:...) 或去掉分组

python 复制代码

msg = "tel:173-7572-7572"
# 有捕获分组
print(re.findall(r'(\d{3})-(\d{4})-\d{4}', msg))  # [('173','7572')]
# 非捕获分组
print(re.findall(r'(?:\d{3})-(?:\d{4})-\d{4}', msg))  # ['173-7572-7572']

七、正则修饰符

修饰符	含义
re.M	多行模式，`^` 和 `$` 匹配每行的开头和结尾
re.I	忽略大小写
re.S	使 `.` 匹配包括换行符在内的任意字符
re.X	详细模式，允许在正则中添加注释和空白
re.A	使 `\w`、`\b` 等只匹配 ASCII 字符

python 复制代码

msg = """
python
PyTHON
"""
print(re.findall("^python$", msg, re.M | re.I))
# 匹配两行，因为忽略大小写且每行单独匹配

八、零宽断言

零宽断言只匹配位置，不消耗字符，不会出现在匹配结果中

语法	名称	含义
(?<=exp)	正向后行断言	左边必须是 exp
(?<!exp)	负向后行断言	左边不能是 exp
(?=exp)	正向前行断言	右边必须是 exp
(?!exp)	负向前行断言	右边不能是 exp

python 复制代码

msg = "hello, world! welcome to changsha"

# 正向后行：匹配以 w 开头的字母串（不包括 w）
print(re.findall(r"(?<=w)[a-z]+", msg))   # ['orld', 'elcome']

# 负向后行：匹配 l，但左边不能是 e
print(re.findall(r"(?<!e)l", msg))        # 只匹配 world 中的 l（左边是 r）

# 正向前行：匹配逗号前的字母串
print(re.findall(r"[a-z]+(?=,)", msg))    # ['hello']

# 负向前行：匹配后面不是逗号的字母串（按 findall 逐个字符找连续字母）
print(re.findall(r"[a-z]+(?!,)", msg))    # ['hell', 'world', 'welcom', 'to', 'changsh'] 等