Python re模块：正则表达式完全指南

什么是正则表达式？

正则表达式（Regular Expression，简称regex）是一种强大的文本处理工具，使用特定模式来匹配、查找、替换或分割字符串。Python通过内置的re模块提供正则表达式支持。

为什么使用正则表达式？

优势	说明
强大灵活	可以表达复杂的文本匹配规则
高效简洁	用简短模式替代大量普通代码
标准化	多种编程语言支持相似语法
文本处理	解决字符串操作中的复杂问题

re模块基础

常用函数概览

函数	描述	基本语法
re.match()	从字符串起始位置匹配	re.match(pattern, string)
re.search()	扫描整个字符串查找匹配	re.search(pattern, string)
re.findall()	查找所有匹配的子串	re.findall(pattern, string)
re.finditer()	返回匹配项的迭代器	re.finditer(pattern, string)
re.sub()	替换匹配的子串	re.sub(pattern, repl, string)
re.split()	根据模式分割字符串	re.split(pattern, string)

基本匹配示例

import re

# 检查字符串是否以"The"开头
result = re.match(r'The', 'The quick brown fox')
print(result.group()) if result else print("No match")

# 在整个字符串中搜索数字
result = re.search(r'\d+', 'Order 12345')
print(result.group()) if result else print("No numbers found")

# 查找所有小写字母
letters = re.findall(r'[a-z]', 'Hello World')
print(letters)  # ['e', 'l', 'l', 'o', 'o', 'r', 'l', 'd']

代码解释：

• r'' 表示原始字符串，避免转义字符问题
• match() 只检查字符串开头
• search() 查找整个字符串中的第一个匹配
• findall() 返回所有非重叠匹配的列表

正则表达式语法

元字符表

元字符	描述	示例
.	匹配任意字符（除换行符）	a.c 匹配 “abc”、“a c”
^	匹配字符串开头	^The 匹配 "The"开头的字符串
$	匹配字符串结尾	end$ 匹配以"end"结尾的字符串
*	前一个字符0次或多次	bo*k 匹配 “bk”、“bok”、“book”
+	前一个字符1次或多次	a+b 匹配 “ab”、“aab”
?	前一个字符0次或1次	colou?r 匹配 “color"和"colour”
{m,n}	前一个字符m到n次	a{2,4} 匹配 “aa”、“aaa”、“aaaa”
[]	字符集，匹配其中任意一个	[aeiou] 匹配任何元音字母
|	或操作	cat|dog 匹配 “cat"或"dog”
()	分组和捕获	(abc)+ 匹配 “abc”、"abcabc"等

特殊序列

序列	描述	等价字符集
\d	任意数字	[0-9]
\D	任意非数字	[^0-9]
\s	任意空白字符	[ \t\n\r\f\v]
\S	任意非空白字符	[^ \t\n\r\f\v]
\w	任意字母数字字符	[a-zA-Z0-9_]
\W	任意非字母数字字符	[^a-zA-Z0-9_]
\b	单词边界	-
\B	非单词边界	-

高级功能

分组和捕获

import re

text = "John: 30, Jane: 25"
pattern = r'(\w+): (\d+)'

matches = re.findall(pattern, text)
for name, age in matches:
    print(f"{name} is {age} years old")

# 输出：
# John is 30 years old
# Jane is 25 years old

代码解释：

• (\w+) 捕获一个或多个字母数字字符作为组
• (\d+) 捕获一个或多个数字作为组
• findall() 返回包含所有匹配组的元组列表

非捕获组和命名组

语法	描述	示例
(?:...)	非捕获组	(?:abc)
(?P<name>...)	命名捕获组	(?P<year>\d{4})
(?P=name)	引用命名组	(?P<word>\w+) (?P=word)

text = "2023-05-15"
pattern = r'(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})'
match = re.search(pattern, text)

if match:
    print(f"Year: {match.group('year')}")
    print(f"Month: {match.group('month')}")
    print(f"Day: {match.group('day')}")

贪婪与非贪婪匹配

模式	类型	行为
.*	贪婪	匹配尽可能多的字符
.*?	非贪婪	匹配尽可能少的字符

text = "<h1>Title</h1><p>Content</p>"

# 贪婪匹配
greedy = re.findall(r'<.*>', text)
print(greedy)  # ['<h1>Title</h1><p>Content</p>']

# 非贪婪匹配
non_greedy = re.findall(r'<.*?>', text)
print(non_greedy)  # ['<h1>', '</h1>', '<p>', '</p>']

实用示例

电子邮件验证

import re

def validate_email(email):
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return bool(re.fullmatch(pattern, email))

emails = ["user@example.com", "invalid.email", "another.user@domain.co.uk"]
for email in emails:
    print(f"{email}: {'Valid' if validate_email(email) else 'Invalid'}")

URL提取

import re

text = "Visit https://www.example.com or http://sub.domain.org/path"
pattern = r'https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+[/\w .-]*'

urls = re.findall(pattern, text)
print("Found URLs:", urls)

电话号码格式化

import re

def format_phone_number(phone):
    pattern = r'^(\d{3})(\d{3})(\d{4})$'
    return re.sub(pattern, r'(\1) \2-\3', phone)

numbers = ["1234567890", "5551234567"]
for num in numbers:
    print(f"Original: {num}, Formatted: {format_phone_number(num)}")

性能优化

编译正则表达式

import re

# 编译正则表达式
phone_pattern = re.compile(r'^(\d{3})-(\d{3})-(\d{4})$')

# 重复使用编译后的模式
numbers = ["123-456-7890", "555-123-4567"]
for num in numbers:
    match = phone_pattern.match(num)
    if match:
        print(f"Area code: {match.group(1)}")

代码解释：

• re.compile() 预编译正则表达式
• 编译后的模式可重复使用，提高性能
• 特别适用于大量文本处理或循环中使用的模式

常见陷阱与最佳实践

陷阱	解决方案
过度使用正则表达式	简单字符串操作优先
复杂的难以维护的模式	分解为多个简单模式
贪婪匹配导致意外结果	使用非贪婪量词
忽略大小写敏感性	使用re.IGNORECASE标志
多行匹配问题	使用re.MULTILINE标志

标志（Flags）

标志	简写	描述
re.IGNORECASE	re.I	忽略大小写
re.MULTILINE	re.M	多行模式，影响^和$
re.DOTALL	re.S	使.匹配包括换行符在内的所有字符
re.VERBOSE	re.X	允许编写更易读的正则表达式
re.ASCII	re.A	使\w, \W, \b, \B等只匹配ASCII字符

# 使用多个标志
pattern = r"""
    ^               # 字符串开始
    [a-z0-9._%+-]+  # 用户名
    @               # @符号
    [a-z0-9.-]+     # 域名
    \.              # 点
    [a-z]{2,}       # 顶级域名
    $               # 字符串结束
"""
regex = re.compile(pattern, re.VERBOSE | re.IGNORECASE)

总结

Python的re模块提供了强大的正则表达式功能，是文本处理的利器。掌握正则表达式可以让你：

1. 高效处理文本：快速完成复杂的文本匹配和替换
2. 数据验证：验证用户输入的格式
3. 数据提取：从非结构化文本中提取结构化信息
4. 文本清洗：预处理文本数据用于分析

学习建议

1. 从简单模式开始，逐步增加复杂度
2. 使用在线测试工具（如regex101.com）验证你的模式
3. 为复杂模式添加注释（使用re.VERBOSE）
4. 记住"有些人在遇到问题时会想：‘我知道，我会用正则表达式’。现在他们有两个问题了"

进一步学习

• 官方文档：https://docs.python.org/3/library/re.html
• 正则表达式可视化工具：https://regexper.com/
• 交互式学习：https://regexone.com/