正则表达式

1正则表达式是什么

正则表达式（Regular Expression，regex）是用一套符号描述"文本规律"的微型语言，用来在字符串中做查找、提取、替换、校验、切分。

• 校验：手机号格式是否正确
• 提取：从网页/日志中抠出所有邮箱、URL
• 清洗：去掉 HTML 标签、emoji、多余符号
• 切分：按多种分隔符同时切分文本

2re 模块六大核心函数

import re

# search：在文本中【搜索第一个】匹配，返回 Match 对象，找不到返回 None
m = re.search(r"\d+", "订单号 10086 已发货")
if m:
    print(m.group())        # 10086

# match：只从字符串【开头】匹配（不常用，记住和 search 的区别即可）
print(re.match(r"\d+", "10086abc"))      # <re.Match>
print(re.match(r"\d+", "abc10086"))     # None

# fullmatch：整个字符串必须【完全匹配】模式（做校验用）
print(bool(re.fullmatch(r"1[3-9]\d{9}", "13812345678")))  # True

# findall：找出【全部】匹配，返回列表（最常用）
print(re.findall(r"\d+", "a12b34c56"))  # ['12','34','56']

# finditer：返回匹配对象的迭代器（大量结果时省内存，可取分组）
for m in re.finditer(r"\d+", "a12b34"):
    print(m.group(), m.span())          # span() 返回 (起始,结束) 位置

# sub：替换
re.sub(r"\s+", " ", "a   b\tc\nd")      # 'a b c d'

# split：切分
re.split(r"[,，;；]", "a,b，c;d；e")     # ['a','b','c','d','e']

3正则语法速查表

3.1 字符与字符类

3.2 量词（重复次数）

3.3 边界与逻辑

# 转义：元字符要匹配其字面含义时前面加 \
re.findall(r"\.", "a.b.c")          # 匹配真正的点
re.findall(r"\\", r"C:\dir")        # 匹配真正的反斜杠
re.findall(r"[.+*?]", "a+b.c?")     # 在字符类[]中，大多数字符失去特殊含义

4贪婪与非贪婪（核心难点）

* + {n,m} 默认都是贪婪的：尽可能多匹配，再通过回溯满足整体模式；在其后加 ? 变为非贪婪（懒惰）：尽可能少匹配。

html = '<h1>标题</h1><p>段落</p>'

# 贪婪：.* 一口气吃到最后一个 </...>，再回溯
re.findall(r"<.+>", html)
# ['<h1>标题</h1><p>段落</p>']   ← 整个一坨，不是想要的！

# 非贪婪：.+? 匹配到第一个 > 就停
re.findall(r"<.+?>", html)
# ['<h1>', '</h1>', '<p>', '</p>']

# 经典场景：提取标签内文本
re.findall(r"<h1>(.*?)</h1>", html)   # ['标题']

5分组与捕获

# 分组让量词作用于整体，并把括号内内容单独"捕获"出来
re.findall(r"(ab)+", "ababab")           # ['ab']（整体只捕获最后一次，注意）

# findall 中有【一个】捕获组时，只返回组内内容；有多个组时返回元组列表
text = "张三:90, 李四:85"
re.findall(r"(\w+):(\d+)", text)
# [('张三','90'), ('李四','85')]

# search + group：按编号取分组（1,2,3...，group(0) 是整个匹配）
m = re.search(r"(\w+):(\d+)", text)
m.group(0)     # '张三:90'  完整匹配
m.group(1)     # '张三'
m.group(2)     # '90'
m.groups()     # ('张三','90')

# 命名分组：可读性更好
m = re.search(r"(?P<name>\w+):(?P<score>\d+)", text)
m.group("name")       # '张三'
m.groupdict()         # {'name':'张三','score':'90'}

# 非捕获组 (?:...)：只用来分组，不占编号
re.findall(r"(?:https?://)?([\w.]+)", "http://x.com")

反向引用与替换回调

# 反向引用：\1 表示第1组已匹配到的内容（找重复词）
re.findall(r"\b(\w+)\s+\1\b", "hello hello world", re.I)   # ['hello']

# sub 中用 \1 \g<name> 引用分组（给手机号打码）
re.sub(r"(\d{3})\d{4}(\d{4})", r"\1****\2", "13812345678")
# '138****5678'

# sub 支持用函数处理每个匹配（脱敏金额翻倍等）
def mask(m):
    return m.group(1) + "*" * len(m.group(2))
re.sub(r"(\w{1})(\w+)", mask, "张三和李四")   # '张*和李*'

6标志位 flags

re.IGNORECASE / re.I    # 忽略大小写
re.DOTALL / re.S        # 让 . 也能匹配换行符（提取多行 HTML 常用）
re.MULTILINE / re.M     # ^ $ 按行匹配
re.VERBOSE / re.X       # 模式中可写空白和注释（复杂正则用）

re.findall(r"python", "Python PYTHON", re.I)        # ['Python','PYTHON']
re.search(r"<div>(.*?)</div>", "<div>a\nb</div>", re.S)  # 跨行提取

# 多个标志用 | 组合：flags=re.I | re.S

7编译复用与性能

# 同一个模式要在循环/大量文本中反复使用，先编译成对象更快
pattern = re.compile(r"\d+")
pattern.findall("a12b34")      # 用法与 re.函数 完全一样
pattern.sub("#", "a12b")

# 预编译放模块顶层（全局只编译一次）
PHONE_RE = re.compile(r"1[3-9]\d{9}")
def has_phone(text):
    return bool(PHONE_RE.search(text))

8实战案例库

① 手机号 / 邮箱 / 身份证 / URL

patterns = {
    "手机号": r"1[3-9]\d{9}",
    "邮箱":   r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}",
    "身份证": r"\d{17}[\dXx]",
    "URL":    r"https?://[^\s一-龥]+",
    "日期":   r"\d{4}-\d{1,2}-\d{1,2}",
    "IP地址": r"(?:\d{1,3}\.){3}\d{1,3}",
}
text = "联系我 13812345678 或 a.b@qq.com，主页 https://demo.com"
for name, p in patterns.items():
    print(name, re.findall(p, text))

手机号 ['13812345678']
邮箱 ['a.b@qq.com']
URL ['https://demo.com']

② 文本清洗（NLP 预处理最常用）

import re

raw = "<p>Python 真    好用!!!</p>\n访问 https://x.com 或致电13800000000"

text = re.sub(r"<[^>]+>", "", raw)          # 1. 去 HTML 标签
text = re.sub(r"https?://\S+", "", text)      # 2. 去网址
text = re.sub(r"1[3-9]\d{9}", "[PHONE]", text)# 3. 手机号归一化
text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9]", "", text)  # 4. 只保留中英文数字
text = re.sub(r"\s+", " ", text).strip()      # 5. 压缩空白
print(text)        # Python真好用访问或致电PHONE

③ 从日志中提取结构化信息

log = '2026-10-25 12:00:01 INFO 用户 admin 登录成功 ip=192.168.1.5'

row = re.search(
    r"(?P<time>\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})\s+"
    r"(?P<level>\w+)\s+用户\s+(?P<user>\w+).*ip=(?P<ip>[\d.]+)",
    log)
print(row.groupdict())
# {'time':'2026-10-25 12:00:01','level':'INFO','user':'admin','ip':'192.168.1.5'}

④ 抽取所有中文字词 / 英文单词

text = "我爱 NLP，也爱 Python3.12"
print(re.findall(r"[\u4e00-\u9fa5]+", text))   # ['我爱','也爱'] 连续中文
print(re.findall(r"[a-zA-Z]+", text))          # ['NLP','Python']
print(re.findall(r"[a-zA-Z]+|\d+", text))      # 英文词或数字

9本章小结与练习