Python 正则表达式（十四）：文本匹配、查找与替换

相信大家平时都见过这样的内容，内容里明明有我们需要的信息，但它们都混杂在一大段文字里。比如日志中的时间和 IP，聊天记录里的手机号和邮箱，没法像 JSON 或 CSV 那样直接按字段读取。

思维导图

这种时候，正则表达式就很适合用来处理文本匹配。今天我们从第一次匹配开始，逐步讲清楚查找、分组、替换和拆分，最后再写一个日志解析脚本。

一、正则表达式是什么

正则表达式可以理解成一套文本规则。我们先写出目标内容的特征，再让程序按这套规则去查找。

例如，下面这段文字中包含一个订单号：

python 复制代码

text = "订单号：A20260919，状态：已发货"

如果订单号始终由一个大写字母和八位数字组成，它的规则可以写成：

复制代码

[A-Z]\d{8}

其中 [A-Z] 代表一位大写字母，\d{8} 代表连续八位数字。正则表达式本身并不负责读取文件，它处理的是字符串。日志文件、网页内容或者 CSV 字段，读成字符串以后都能交给它匹配。

二、使用 re.search() 完成第一次匹配

Python 的正则功能放在标准库 re 中，不需要另外安装。先用 search() 找出订单号中的数字：

python 复制代码

import re

text = "订单号：A20260919"
result = re.search(r"\d+", text)

print(result)

\d 表示数字，后面的 + 表示前一个规则可以出现一次或多次。运行以后会得到一个 Match 对象：

复制代码

<re.Match object; span=(5, 13), match='20260919'>

Match 对象里保存了匹配内容和位置。一般会通过这些方法读取：

python 复制代码

print(result.group())
print(result.start())
print(result.end())
print(result.span())

输出结果：

复制代码

start() 是起始下标，end() 是结束位置，span() 会把两者放进一个元组。

没有找到内容时，search() 返回 None。直接调用 group() 会报错，实际使用时要先判断：

python 复制代码

result = re.search(r"\d+", "订单暂未生成")

if result:
    print(result.group())
else:
    print("没有找到订单号")

三、为什么正则前面经常带 r

正则表达式中经常出现反斜杠。Python 字符串也使用反斜杠表示转义字符，例如 \n 是换行，\t 是制表符。两套规则写在一起，很容易把反斜杠写乱。

在字符串前加 r，可以创建原始字符串：

python 复制代码

pattern = r"\d+"

这里的 r 只影响 Python 解析字符串的方式，最终交给正则引擎的规则还是 \d+。写正则时建议默认使用原始字符串。

需要匹配反斜杠本身时，正则中仍然要写两个反斜杠：

python 复制代码

text = r"C:\Users\ivan\notes.txt"
result = re.search(r"\\Users\\", text)

print(result.group())

四、search、match 和 fullmatch 有什么区别

这三个方法都会返回 Match 对象，区别在于从哪里开始找，以及需要匹配多少内容。

search() 会在整个字符串中查找第一个符合规则的位置：

python 复制代码

import re

text = "用户ID: 1024"

result = re.search(r"\d+", text)
print(result.group())

match() 只检查字符串开头：

python 复制代码

print(re.match(r"用户", text))
print(re.match(r"\d+", text))

第二次返回 None，因为数字不在开头。

fullmatch() 要求整段字符串都符合规则，很适合校验格式：

python 复制代码

order_id = "A20260919"

if re.fullmatch(r"[A-Z]\d{8}", order_id):
    print("订单号格式正确")
else:
    print("订单号格式错误")

查找一段内容时用 search()，检查开头时用 match()，校验完整格式时用 fullmatch()。

五、常用字符规则

正则中最常见的几个规则如下：

规则	含义	示例
`\d`	数字	`0` 到 `9`
`\D`	非数字	字母、中文、符号
`\w`	Unicode 字母、数字和下划线	`user_01`、中文
`\W`	不属于 `\w` 的字符	空格和多数标点
`\s`	空白字符	空格、制表符、换行
`\S`	非空白字符	普通可见文字
`.`	除换行以外的任意字符	字母、数字、标点

下面从一段文字中找出价格：

python 复制代码

text = "键盘价格 299 元，鼠标价格 129 元"
prices = re.findall(r"\d+", text)

print(prices)

输出结果：

python 复制代码

['299', '129']

\w 在 Python 3 中默认能匹配中文。如果只想匹配英文字母、数字和下划线，可以明确写成 [A-Za-z0-9_]，不要把两者当成完全相同的规则。

六、使用字符集合限制范围

方括号可以列出允许出现的字符：

python 复制代码

text = "订单 A102、B205、c308"
orders = re.findall(r"[A-Z]\d+", text)

print(orders)

输出：

python 复制代码

['A102', 'B205']

[A-Z] 只匹配大写英文字母，小写的 c308 不符合规则。常见写法还有：

复制代码

[abc]        匹配 a、b 或 c
[0-9]        匹配一位数字
[a-zA-Z]     匹配一位英文字母
[^0-9]       匹配非数字字符

方括号开头的 ^ 表示排除。它放在方括号外时，含义会变成字符串开头，后面会单独讲。

七、数量词控制出现次数

字符规则只说明"匹配什么"，数量词负责说明"出现几次"。

数量词	含义
`*`	零次或多次
`+`	一次或多次
`?`	零次或一次
`{m}`	恰好 m 次
`{m,n}`	最少 m 次，最多 n 次
`{m,}`	最少 m 次

使用数量词检查手机号的基本结构：

python 复制代码

phone = "13812345678"
result = re.fullmatch(r"1[3-9]\d{9}", phone)

print(bool(result))

1 是固定开头，[3-9] 匹配第二位，\d{9} 要求后面还有九位数字。这里检查的是常见手机号格式，不能证明号码真实存在。

八、使用锚点限制开头和结尾

^ 表示字符串开头，$ 表示字符串结尾：

python 复制代码

text = "ERROR: 登录失败"

print(bool(re.search(r"^ERROR", text)))
print(bool(re.search(r"失败$", text)))

两次结果都是 True。锚点匹配的是位置，本身不会占用字符。

校验一整段内容时，也可以直接使用 fullmatch()：

python 复制代码

username = "ivan_2026"

if re.fullmatch(r"[A-Za-z][A-Za-z0-9_]{3,15}", username):
    print("用户名可用")

这个规则要求用户名以英文字母开头，总长度为 4 到 16 位，后面可以使用字母、数字和下划线。

九、分组：一次取出多个字段

圆括号可以把一段规则放进一个分组。下面从日期中分别取出年、月、日：

python 复制代码

import re

date_text = "2026-09-19"
result = re.fullmatch(
    r"(\d{4})-(\d{2})-(\d{2})",
    date_text,
)

if result:
    print(result.group(0))
    print(result.group(1))
    print(result.group(2))
    print(result.group(3))
    print(result.groups())

group(0) 是完整匹配，后面的编号按左括号出现的顺序排列。groups() 会一次返回所有分组：

复制代码

2026-09-19
2026
09
19
('2026', '09', '19')

分组多起来以后，记编号很不方便。这时可以给分组命名：

python 复制代码

pattern = (
    r"(?P<year>\d{4})-"
    r"(?P<month>\d{2})-"
    r"(?P<day>\d{2})"
)

result = re.fullmatch(pattern, date_text)

if result:
    print(result.group("year"))
    print(result.groupdict())

groupdict() 会把命名分组整理成字典：

python 复制代码

{'year': '2026', 'month': '09', 'day': '19'}

解析日志、订单和接口返回文本时，命名分组比数字编号更容易维护。

十、只分组，不保存内容

有时圆括号只是为了把几条规则放在一起，并不需要把内容保存成分组。可以使用 (?:...)：

python 复制代码

text = "图片：cover.jpg，附件：report.pdf"
files = re.findall(r"\w+\.(?:jpg|png|pdf)", text)

print(files)

输出：

python 复制代码

['cover.jpg', 'report.pdf']

如果写成 (jpg|png|pdf)，findall() 会优先返回捕获分组里的扩展名。这里使用非捕获分组，得到的才是完整文件名。

竖线 | 表示多个规则任选一个：

复制代码

INFO|WARNING|ERROR

它能匹配三种日志级别中的任意一种。

十一、findall 和 finditer 批量查找

search() 只返回第一个匹配。想拿到所有结果，可以使用 findall()：

python 复制代码

text = "今天处理 A102，明天处理 A205，A308 已完成"
orders = re.findall(r"[A-Z]\d+", text)

print(orders)

输出：

python 复制代码

['A102', 'A205', 'A308']

还需要每个结果的位置时，使用 finditer()：

python 复制代码

for match in re.finditer(r"[A-Z]\d+", text):
    print(
        match.group(),
        match.start(),
        match.end(),
    )

finditer() 返回一个迭代器，不会提前把所有 Match 对象放进列表。数据比较多，或者需要逐个查看分组和位置时，它更合适。

十二、贪婪匹配和非贪婪匹配

数量词默认会尽量多匹配。下面这段 HTML 中有两个标签：

python 复制代码

html = "<p>Python</p><p>正则表达式</p>"
print(re.findall(r"<p>.*</p>", html))

.* 会从第一个 <p> 一直匹配到最后一个 </p>：

python 复制代码

['<p>Python</p><p>正则表达式</p>']

在数量词后面加 ?，可以改成非贪婪匹配：

python 复制代码

print(re.findall(r"<p>.*?</p>", html))

这次得到两个结果：

python 复制代码

['<p>Python</p>', '<p>正则表达式</p>']

这个例子适合说明贪婪规则，真实 HTML 的结构远比它复杂。需要可靠地解析网页时，应该使用 HTML 解析库，不要只靠一条正则处理整份页面。

十三、使用 re.sub() 替换内容

re.sub() 会把符合规则的内容替换掉。处理手机号脱敏时，可以保留前三位和后四位：

python 复制代码

import re

phone = "13812345678"
masked = re.sub(
    r"(\d{3})\d{4}(\d{4})",
    r"\1****\2",
    phone,
)

print(masked)

输出：

复制代码

138****5678

替换字符串中的 \1 和 \2 引用了第一个、第二个分组。分组较多时，可以改用命名分组：

python 复制代码

pattern = r"(?P<start>\d{3})\d{4}(?P<end>\d{4})"
masked = re.sub(
    pattern,
    r"\g<start>****\g<end>",
    phone,
)

替换逻辑需要计算时，可以把函数传给 sub()：

python 复制代码

text = "商品价格 299 元，优惠价 199 元"

def add_currency(match):
    price = match.group()
    return f"¥{price}"

result = re.sub(r"\d+", add_currency, text)
print(result)

十四、使用 re.split() 拆分内容

普通字符串的 split() 只能方便地处理一种固定分隔符。文本中混用了逗号、分号和空格时，可以使用 re.split()：

python 复制代码

text = "Python,Java;Go Rust"
languages = re.split(r"[,;\s]+", text)

print(languages)

输出：

python 复制代码

['Python', 'Java', 'Go', 'Rust']

[,;\s]+ 表示一个或多个逗号、分号或空白字符。实际数据结尾可能还带分隔符，可以顺手去掉空字符串：

python 复制代码

languages = [
    item
    for item in re.split(r"[,;\s]+", text)
    if item
]

十五、重复使用规则时先编译

同一条规则需要使用多次时，可以用 re.compile() 创建正则对象：

python 复制代码

import re

order_pattern = re.compile(r"[A-Z]\d{3}")

texts = [
    "新订单 A102 已创建",
    "B205 等待付款",
    "没有订单号",
]

for text in texts:
    result = order_pattern.search(text)

    if result:
        print(result.group())

编译后的对象也有 search()、findall()、sub() 等方法。这样写能把规则集中放在一个位置，名称也能说明它是用来匹配什么的。

十六、常用匹配标志

匹配标志可以改变正则的工作方式。忽略英文字母大小写时，使用 re.IGNORECASE：

python 复制代码

text = "Error: file not found"
result = re.search(
    r"error",
    text,
    flags=re.IGNORECASE,
)

print(result.group())

处理多行文本时，re.MULTILINE 会让 ^ 和 $ 匹配每一行的开头和结尾：

python 复制代码

logs = """INFO: 启动成功
ERROR: 数据库连接失败
INFO: 开始重试"""

errors = re.findall(
    r"^ERROR:.*$",
    logs,
    flags=re.MULTILINE,
)

print(errors)

. 默认不匹配换行。需要让它跨行匹配时，可以使用 re.DOTALL。多个标志能用 | 组合：

python 复制代码

flags = re.IGNORECASE | re.MULTILINE

十七、写正则时容易踩的坑

最常见的问题是规则写得太宽。比如 .* 什么都能接，短文本里看不出问题，换一批数据就可能吞掉多余内容。能写清字符范围时，尽量使用 [A-Z]、\d{4} 这类具体规则。

第二个问题是忘记处理 None。search() 和 fullmatch() 都有匹配失败的时候，调用 group() 以前先判断结果。

还要留意捕获分组对 findall() 返回值的影响：

python 复制代码

text = "A102 B205"

print(re.findall(r"[A-Z]\d+", text))
print(re.findall(r"([A-Z])\d+", text))

第二条规则包含捕获分组，结果会变成 ['A', 'B']。如果括号只用来控制范围，改成 (?:[A-Z])。

正则也不适合承担所有格式校验。邮箱地址、URL 和 HTML 都有许多边界情况。教程里常见的邮箱规则可以拿来提取简单地址，不能当作完整标准的验证器。

十八、综合示例：解析日志并导出 CSV

现在把正则和上一章的 CSV 连起来。我们准备一份 app.log：

复制代码

2026-09-19 10:15:32 INFO user=ivan action=login ip=192.168.1.10
2026-09-19 10:16:03 WARNING user=alice action=download ip=10.0.0.5
这是一行无法识别的内容
2026-09-19 10:18:45 ERROR user=bob action=upload ip=172.16.3.8

项目结构如下：

复制代码

regex_demo/
├─ parse_log.py
├─ data/
│  └─ app.log
└─ output/

在 parse_log.py 中写入：

python 复制代码

from pathlib import Path
import csv
import re

base_dir = Path(__file__).resolve().parent
log_file = base_dir / "data" / "app.log"
output_dir = base_dir / "output"
csv_file = output_dir / "log_report.csv"

output_dir.mkdir(parents=True, exist_ok=True)

log_pattern = re.compile(
    r"^(?P<time>\d{4}-\d{2}-\d{2} "
    r"\d{2}:\d{2}:\d{2})\s+"
    r"(?P<level>INFO|WARNING|ERROR)\s+"
    r"user=(?P<user>\w+)\s+"
    r"action=(?P<action>\w+)\s+"
    r"ip=(?P<ip>(?:\d{1,3}\.){3}\d{1,3})$"
)

records = []
failed_lines = []

with log_file.open("r", encoding="utf-8") as file:
    for line_number, line in enumerate(file, start=1):
        line = line.strip()

        if not line:
            continue

        result = log_pattern.fullmatch(line)

        if result:
            records.append(result.groupdict())
        else:
            failed_lines.append((line_number, line))

fieldnames = [
    "time",
    "level",
    "user",
    "action",
    "ip",
]

with csv_file.open(
    "w",
    encoding="utf-8-sig",
    newline="",
) as file:
    writer = csv.DictWriter(
        file,
        fieldnames=fieldnames,
    )
    writer.writeheader()
    writer.writerows(records)

print(f"成功解析：{len(records)} 行")
print(f"解析失败：{len(failed_lines)} 行")
print(f"CSV 文件：{csv_file}")

for line_number, content in failed_lines:
    print(f"第 {line_number} 行无法识别：{content}")

这里使用命名分组直接生成字典，再交给 csv.DictWriter() 写入文件。无法匹配的行没有被悄悄丢掉，程序会保存行号和原内容，方便回头检查规则或原始数据。

IP 的规则 (?:\d{1,3}\.){3}\d{1,3} 只检查"由四段一到三位数字组成"的外形，没有继续判断每一段是否处于 0 到 255。需要严格验证 IP 时，可以把匹配结果交给标准库 ipaddress 再检查。

生成的 log_report.csv 如下：

复制代码

time,level,user,action,ip
2026-09-19 10:15:32,INFO,ivan,login,192.168.1.10
2026-09-19 10:16:03,WARNING,alice,download,10.0.0.5
2026-09-19 10:18:45,ERROR,bob,upload,172.16.3.8

!10-log-pipeline.png

十九、练习

练习一：提取所有价格

准备字符串 "键盘 299 元，鼠标 129 元，显示器 1599 元"，使用正则提取所有价格，并把结果转换成整数列表。

练习二：检查订单号

订单号由两个大写字母和六位数字组成。使用 fullmatch() 分别检查 AB123456、A123456 和 ab123456。

练习三：提取邮箱

从一段文本中提取形如 name@example.com 的简单邮箱地址。先处理常见英文字母、数字、点、下划线和连字符，不需要覆盖所有邮箱标准。

练习四：隐藏身份证号

把十八位身份证号的中间八位替换成星号，只保留前六位和后四位。使用捕获分组保留两端内容。

练习五：解析文件名

从 report_2026-09-19.csv 中取出文件类型和日期，分别保存到命名分组 date 和 extension 中。

练习六：统计错误日志

读取一份日志文件，使用 re.MULTILINE 找出所有以 ERROR 开头的行。再从每一行中提取时间和错误内容，并写入 CSV 文件。

学正则时没必要先背完所有符号。先把目标文本找出来，标清哪些内容固定、哪些内容会变，再把它们换成字符规则和数量词。规则写完后多准备几条正常数据和异常数据测试，比盯着一条样例反复修改更容易发现问题。