Python3 正则表达式

正则表达式（Regular Expression）是一种用于匹配、查找和处理字符串的强大工具，通过特殊符号（元字符）定义匹配规则，广泛应用于文本检索、数据清洗、格式验证等场景。Python3 通过内置的re模块提供了完整的正则表达式支持，本文从基础语法到实战案例，全面解析 Python 正则表达式的使用。

一、正则表达式基础：元字符与匹配规则

正则表达式的核心是 “元字符”—— 具有特殊含义的符号，用于描述字符的模式。掌握这些元字符是使用正则的基础。

1. 常用元字符（核心！必须掌握）

元字符	含义	示例
.	匹配任意单个字符（除换行符\n）	a.b 匹配 "aab"、"acb"，不匹配 "ab"
*	匹配前面的字符 / 子模式0 次或多次（贪婪匹配）	ab* 匹配 "a"、"ab"、"abb"、"abbb"
+	匹配前面的字符 / 子模式1 次或多次	ab+ 匹配 "ab"、"abb"，不匹配 "a"
?	匹配前面的字符 / 子模式0 次或 1 次	ab? 匹配 "a"、"ab"，不匹配 "abb"
^	匹配字符串开头（若在 [] 中则表示 “非”）	^abc 匹配 "abc123"，不匹配 "xabc"
$	匹配字符串结尾	abc$ 匹配 "123abc"，不匹配 "abcx"
[]	字符集，匹配其中任意一个字符（可指定范围）	[abc] 匹配 "a"、"b"、"c"；[0-9] 匹配任意数字
()	分组，将子模式视为一个整体，可用于提取或重复	(ab)+ 匹配 "ab"、"abab"
|	逻辑 “或”，匹配左边或右边的模式	a|b 匹配 "a" 或 "b"
\d	匹配任意数字（等价于[0-9]）	\d{3} 匹配 "123"、"456"
\D	匹配非数字（等价于[^0-9]）	\D 匹配 "a"、"!"、" "
\w	匹配字母、数字、下划线（等价于[a-zA-Z0-9_]）	\w+ 匹配 "hello"、"user123"
\W	匹配非字母、数字、下划线（等价于[^a-zA-Z0-9_]）	\W 匹配 "!"、"@"、" "
\s	匹配空白字符（空格、制表符\t、换行符\n等）	a\sb 匹配 "a b"、"a\tb"
\S	匹配非空白字符	a\Sb 匹配 "aab"、"a@b"
\b	单词边界（匹配单词开头或结尾，不匹配具体字符）	\bhello\b 匹配 "hello"，不匹配 "helloworld"

2. 量词：指定匹配次数

除了*/+/?，还可以用{m,n}精确指定匹配次数：

量词	含义	示例
{n}	匹配恰好 n 次	a{3} 匹配 "aaa"
{n,}	匹配至少 n 次	a{2,} 匹配 "aa"、"aaa"、"aaaa"
{n,m}	匹配n 到 m 次（包含 n 和 m）	a{1,3} 匹配 "a"、"aa"、"aaa"

3. 贪婪匹配与非贪婪匹配

• 贪婪匹配（默认）：尽可能匹配最长的符合规则的字符串（如*/+/{n,m}默认贪婪）。
• 非贪婪匹配：在量词后加?，尽可能匹配最短的符合规则的字符串。

示例：

import re

text = "aabbaabb"
# 贪婪匹配：.*会匹配从第一个a到最后一个b的最长字符串
print(re.match("a.*b", text).group())  # 输出：aabbaabb

# 非贪婪匹配：.*?会匹配从第一个a到最近的b的最短字符串
print(re.match("a.*?b", text).group())  # 输出：aabb

 

二、Python re模块：正则表达式的 “操作工具”

re模块提供了一系列函数，用于实现正则表达式的匹配、查找、替换等操作，核心函数如下：

1. re.match(pattern, string)：从字符串开头匹配

• 若匹配成功，返回Match对象；否则返回None。
• 注意：仅从字符串第一个字符开始匹配，不匹配则返回None（哪怕中间有符合规则的子串）。

 

import re

# 匹配以"hello"开头的字符串
result = re.match("hello", "hello world")
print(result.group())  # 输出：hello（匹配成功）

# 不匹配（字符串开头不是"hello"）
result = re.match("hello", "hi hello")
print(result)  # 输出：None

 

2. re.search(pattern, string)：在字符串任意位置查找第一个匹配

• 扫描整个字符串，返回第一个符合规则的Match对象；无匹配则返回None。
• 与match的区别：search不限制从开头匹配。

 

import re

# 在任意位置查找第一个"world"
result = re.search("world", "hello world, welcome to the world")
print(result.group())  # 输出：world（只返回第一个匹配）

 

3. re.findall(pattern, string)：查找所有匹配的子串

• 返回一个列表，包含所有符合规则的子串（无匹配则返回空列表）。

 

import re

# 查找所有数字
text = "age: 25, score: 90, weight: 65"
numbers = re.findall(r"\d+", text)  # r前缀表示原始字符串，避免转义问题
print(numbers)  # 输出：['25', '90', '65']

 

4. re.finditer(pattern, string)：查找所有匹配，返回迭代器

• 与findall类似，但返回Match对象的迭代器（适合处理大量匹配结果，节省内存）。

 

import re

text = "a:1, b:2, c:3"
# 查找所有"字母:数字"格式的子串
iter_result = re.finditer(r"(\w):(\d)", text)
for match in iter_result:
    print(match.group())  # 输出：a:1、b:2、c:3
    print(f"字母：{match.group(1)}, 数字：{match.group(2)}")  # 提取分组内容

 

5. re.sub(pattern, repl, string)：替换匹配的子串

• 将字符串中所有符合规则的子串替换为repl（可以是字符串或函数），返回替换后的新字符串。

示例：

import re

# 将所有数字替换为"*"
text = "密码：123456，验证码：654321"
new_text = re.sub(r"\d+", "*", text)
print(new_text)  # 输出：密码：*，验证码：*

# 用函数动态替换（将数字加1）
def add_one(match):
    return str(int(match.group()) + 1)

text = "a:1, b:2"
new_text = re.sub(r"\d+", add_one, text)
print(new_text)  # 输出：a:2, b:3

 

6. re.split(pattern, string)：按匹配的子串分割字符串

• 以符合规则的子串为分隔符，将字符串分割成列表。

 

import re

# 按逗号或空格分割
text = "apple, banana orange; grape"
parts = re.split(r"[,; ]", text)  # 匹配逗号、分号或空格
print(parts)  # 输出：['apple', '', 'banana', 'orange', '', 'grape']

 

7. re.compile(pattern)：编译正则表达式（提高效率）

• 将正则表达式字符串编译为RegexObject对象，可重复使用（多次调用时效率更高）。

示例：

import re

# 编译正则（只做一次）
pattern = re.compile(r"\d+")

# 重复使用编译后的对象
text1 = "score: 90"
text2 = "age: 25"
print(pattern.findall(text1))  # ['90']
print(pattern.findall(text2))  # ['25']

 

三、分组与捕获：提取特定内容

通过()定义分组，可以从匹配结果中提取特定部分，这是正则的核心应用之一。

1. 基础分组：group()与groups()

• match.group(n)：返回第 n 个分组的内容（n=0 表示整个匹配，n=1 开始是分组）。
• match.groups()：返回所有分组内容的元组。

示例：

 

import re

text = "张三, 年龄:25, 性别:男"
# 分组匹配：姓名、年龄、性别
pattern = r"(\w+), 年龄:(\d+), 性别:(\w+)"
match = re.search(pattern, text)

print(match.group(0))  # 整个匹配：张三, 年龄:25, 性别:男
print(match.group(1))  # 第1组（姓名）：张三
print(match.group(2))  # 第2组（年龄）：25
print(match.groups())  # 所有分组：('张三', '25', '男')

 

2. 命名分组：(?P<name>pattern)（更易读）

给分组命名，通过group("name")提取，避免记索引。

 

import re

text = "邮箱: user@example.com"
# 命名分组：用户名(name)和域名(domain)
pattern = r"邮箱: (?P<name>\w+)@(?P<domain>\w+\.\w+)"
match = re.search(pattern, text)

print(match.group("name"))  # user
print(match.group("domain"))  # example.com

 

四、实战案例：正则表达式的典型应用

1. 验证邮箱格式

 

import re

def is_valid_email(email):
    # 邮箱规则：用户名@域名（域名含.和字母）
    pattern = r"^[a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$"
    return re.match(pattern, email) is not None

print(is_valid_email("user@example.com"))  # True
print(is_valid_email("user.name+tag@example.co.uk"))  # True
print(is_valid_email("invalid-email"))  # False

 

2. 提取 URL 中的域名

import re

url = "https://www.example.com/path?query=123"
# 匹配域名（www.xxx.com 或 xxx.com）
pattern = r"https?://(www\.)?([a-zA-Z0-9-]+\.[a-zA-Z]+)"
match = re.search(pattern, url)
print(match.group(2))  # example.com

 

3. 清洗文本中的特殊字符

import re

text = "这是一段包含【特殊字符】、<标签>和\n换行的文本！"
# 移除所有非中文字符、字母、数字和空格
clean_text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9 ]", "", text)
print(clean_text)  # 这是一段包含特殊字符和换行的文本

 

五、避坑指南（新手常犯错误）

1. 忘记^和$导致部分匹配：
   验证格式时（如手机号），若不加^和$，可能匹配到包含目标模式的长字符串。
   错误示例：re.match(r"\d{11}", "13800138000abc") 会返回匹配（实际想验证 11 位纯数字）。
   正确做法：re.match(r"^\d{11}$", "13800138000")（确保整个字符串都是 11 位数字）。
2. 转义字符处理不当：
   正则中\是转义符（如\d表示数字），但 Python 字符串中\也是转义符，需用r前缀定义 “原始字符串” 避免冲突。
   错误示例：re.match("\d+", "123")（Python 会将\d解析为转义符，实际应写成r"\d+"）。
   正确做法：re.match(r"\d+", "123")。
3. 贪婪匹配导致结果不符合预期：
   例如提取 HTML 标签<div>内容</div>，用<.*>会匹配整个<div>内容</div>（贪婪），而想要匹配<div>需用非贪婪模式<.*?>。
4. 过度依赖正则处理复杂场景：
   正则适合简单的文本匹配，复杂场景（如 HTML/XML 解析）建议用专用库（如BeautifulSoup），避免正则逻辑过于复杂难以维护。

六、常用正则模板（直接复用）

场景	正则表达式（Python 格式）
手机号	r"^1[3-9]\d{9}$"
身份证号	r"^\d{17}[\dXx]$"
邮箱	r"^[a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$"
整数 / 小数	r"^-?\d+(\.\d+)?$"
URL	r"^https?://[^\s]+$"
中文	r"[\u4e00-\u9fa5]"

总结

Python 正则表达式的核心是re模块和元字符系统：

• 元字符定义匹配规则（如\d匹配数字，*匹配多次）；
• re模块函数实现具体操作（match/search查找，findall提取，sub替换）；
• 分组功能用于精准提取特定内容，命名分组提高可读性；
• 实际使用中需注意贪婪 / 非贪婪匹配、转义字符和边界匹配。

掌握正则表达式能极大提升文本处理效率，建议结合实际场景多练习，逐步熟悉各种元字符的组合用法