目录
- Python进阶教程：正则表达式进阶与文本处理
-
- 一、正则基础回顾
- 二、分组与捕获
- 三、贪婪与非贪婪
- 四、常用高级技巧
-
- [4.1 前后查找](#4.1 前后查找)
- [4.2 忽略大小写与多行](#4.2 忽略大小写与多行)
- [4.3 替换与回调](#4.3 替换与回调)
- [五、compile 预编译](#五、compile 预编译)
- 六、实战：日志解析器
- 七、文本处理实用工具
-
- [7.1 清理文本](#7.1 清理文本)
- [7.2 提取中文与数字](#7.2 提取中文与数字)
- 总结
Python进阶教程：正则表达式进阶与文本处理
本文是 Python 入门教程系列 的第 11 篇（扩展篇）。前面第 4 篇介绍了 re 模块的基础用法，本篇深入讲解正则表达式进阶技巧与文本处理实战。
一、正则基础回顾
python
import re
# 常用元字符
# . 任意字符 \d 数字 \w 单词字符 \s 空白
# * 零次或多次 + 一次或多次 ? 零次或一次
# {n} 恰好n次 {n,m} n到m次 ^ 开头 $ 结尾
# 基础匹配
print(re.findall(r"\d+", "订单123号，金额456元")) # ["123", "456"]二、分组与捕获
用括号分组，可以提取匹配的子部分：
python
import re
text = "张三的电话是138-1234-5678"
# 分组捕获
match = re.search(r"(\d{3})-(\d{4})-(\d{4})", text)
if match:
print(match.group(0)) # 138-1234-5678 整体
print(match.group(1)) # 138
print(match.group(2)) # 1234
print(match.group(3)) # 5678
# 命名分组
match = re.search(r"(?P<area>\d{3})-(?P<mid>\d{4})-(?P<last>\d{4})", text)
print(match.group("area")) # 138三、贪婪与非贪婪
python
import re
html = "<div>内容1</div><div>内容2</div>"
# 贪婪模式：尽可能多匹配
greedy = re.findall(r"<div>.*</div>", html)
print(greedy) # ["<div>内容1</div><div>内容2</div>"]
# 非贪婪模式：加 ?
lazy = re.findall(r"<div>.*?</div>", html)
print(lazy) # ["<div>内容1</div>", "<div>内容2</div>"]四、常用高级技巧
4.1 前后查找
python
import re
text = "价格：$100，折扣价：$80"
# 正向断言 (?=...) 匹配后面跟着的内容
prices = re.findall(r"\d+(?=元)", "苹果5元，香蕉3元")
print(prices) # ["5", "3"]
# 反向断言 (?<=...)
prices2 = re.findall(r"(?<=\$)\d+", text)
print(prices2) # ["100", "80"]4.2 忽略大小写与多行
python
import re
# re.IGNORECASE 忽略大小写
print(re.findall(r"python", "Python PYTHON python", re.IGNORECASE)) # 3个
# re.MULTILINE ^ $ 匹配每行
text = "line1
line2
line3"
print(re.findall(r"^line", text, re.MULTILINE)) # ["line", "line", "line"]4.3 替换与回调
python
import re
# 简单替换
print(re.sub(r"\d+", "#", "订单123金额456")) # 订单#金额#
# 回调函数替换
def hide_phone(match):
return match.group(0)[:3] + "****" + match.group(0)[-4:]
text = "联系：13812345678 或 13987654321"
print(re.sub(r"1\d{10}", hide_phone, text))
# 联系：138****5678 或 139****4321五、compile 预编译
多次使用同一正则时，先编译成 Pattern 对象可提升性能：
python
import re
# 预编译（推荐）
phone_pattern = re.compile(r"1[3-9]\d{9}")
text = "电话1：13812345678，电话2：15987654321"
print(phone_pattern.findall(text)) # 两个号码
print(phone_pattern.search(text).group()) # 第一个号码六、实战：日志解析器
python
import re
from collections import Counter
log_text = """
2026-08-14 10:00:01 ERROR 数据库连接失败
2026-08-14 10:00:05 INFO 用户登录成功
2026-08-14 10:00:10 ERROR 接口超时
2026-08-14 10:01:02 INFO 用户登出
2026-08-14 10:01:30 WARN 磁盘空间不足
"""
def parse_log(text):
"""解析日志，统计各级别数量"""
pattern = re.compile(r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2} (ERROR|INFO|WARN) (.+)")
levels = Counter()
for line in text.strip().splitlines():
match = pattern.match(line)
if match:
levels[match.group(1)] += 1
return levels
result = parse_log(log_text)
print(dict(result)) # {"ERROR": 2, "INFO": 2, "WARN": 1}七、文本处理实用工具
7.1 清理文本
python
import re
def clean_text(text):
"""清理文本：去HTML标签、多余空白、特殊符号"""
text = re.sub(r"<[^>]+>", "", text) # 去HTML标签
text = re.sub(r"\s+", " ", text) # 合并空白
text = re.sub(r"[^\w\u4e00-\u9fa5，。！？、；：""'
]", "", text) # 去特殊符号
return text.strip()
raw = "<p>你好， 世界！</p> @#$%^&*"
print(clean_text(raw)) # 你好， 世界！7.2 提取中文与数字
python
import re
text = "华为Mate60 Pro售价6999元，支持5G网络"
# 提取中文
print(re.findall(r"[\u4e00-\u9fa5]+", text)) # ["华为", "售价", "元", "支持", "网络"]
# 提取数字
print(re.findall(r"\d+", text)) # ["60", "6999", "5"]
# 提取英文单词
print(re.findall(r"[a-zA-Z]+", text)) # ["Mate", "Pro"]总结
本篇深入讲解了正则的分组捕获、贪婪匹配、前后断言、预编译等进阶技巧，并提供了日志解析和文本清理两个实战工具。正则表达式是文本处理的瑞士军刀，值得花时间熟练掌握。