Python3 re 模块

Python 的re模块是实现正则匹配、替换、提取、分割的核心工具 —— 小到验证手机号格式、提取日志中的关键信息，大到爬虫数据解析、文本清洗，都离不开它。本文从基础语法到实战场景，拆解re模块的核心用法、进阶技巧与避坑要点，帮你彻底掌握正则表达式在 Python 中的应用。

一、re 模块核心能力与应用场景

re模块封装了正则表达式的所有核心操作，相比手动字符串处理（如split/replace），它能通过 “模式匹配” 实现更灵活、更复杂的文本操作，典型应用场景：

格式验证：手机号、邮箱、身份证号等合法性校验；
数据提取：从日志 / HTML/JSON 文本中提取指定规则的内容；
文本清洗：批量替换敏感词、去除冗余字符、统一文本格式；
字符串分割：按非固定分隔符（如多个空格、标点）分割文本。

二、re 模块核心函数 / 方法（速查对比）

re模块提供了两类核心接口：直接调用函数（快速使用）、编译后调用方法（高性能复用），核心功能对比如下：

函数 / 方法	核心作用	匹配范围	返回值类型	适用场景
`re.match()`	从字符串开头匹配	仅开头	匹配对象（Match）/None	验证字符串是否以指定规则开头
`re.search()`	扫描整个字符串找第一个匹配项	全字符串	匹配对象（Match）/None	查找字符串中是否存在目标内容
`re.findall()`	查找所有匹配项	全字符串	列表（无匹配则空列表）	批量提取所有符合规则的内容
`re.finditer()`	查找所有匹配项（迭代器）	全字符串	迭代器（含 Match 对象）	处理大量匹配结果（节省内存）
`re.sub()`	替换匹配的内容	全字符串	替换后的新字符串	文本清洗、批量替换
`re.split()`	按匹配规则分割字符串	全字符串	分割后的列表	非固定分隔符的字符串分割
`re.compile()`	编译正则表达式为 Pattern 对象	-	Pattern 对象	正则表达式需多次复用（性能优化）

三、基础用法：核心函数实战

1. 匹配基础：match vs search（最易混淆）

`re.match()`：仅匹配字符串开头

import re

# 示例1：匹配开头（成功）
text = "Python3 re模块教程"
result = re.match(r"Python3", text)
print(result.group())  # 输出：Python3（group()获取匹配内容）

# 示例2：非开头匹配（失败）
result = re.match(r"re模块", text)
print(result)  # 输出：None

 

`re.search()`：扫描整个字符串找第一个匹配

# 示例：找第一个数字
text = "Python3 re模块教程，Python2已淘汰"
result = re.search(r"\d", text)  # \d匹配数字
print(result.group())  # 输出：3

# 示例：匹配邮箱（第一个）
text = "我的邮箱是test1@xxx.com，备用邮箱test2@yyy.com"
result = re.search(r"\w+@\w+\.\w+", text)  # \w匹配字母/数字/下划线
print(result.group())  # 输出：test1@xxx.com

 

关键区别：match是 “开头校验”，search是 “全局找第一个”，验证格式（如手机号）优先用match，查找内容优先用search。

2. 批量提取：findall vs finditer

`re.findall()`：提取所有匹配项（返回列表）

# 示例1：提取所有数字
text = "价格：99元，折扣：8.5折，库存：120件"
nums = re.findall(r"\d+", text)  # \d+匹配1个及以上数字
print(nums)  # 输出：['99', '8', '5', '120']

# 示例2：提取所有邮箱
text = "test1@xxx.com, test2@yyy.com, test3@zzz.org"
emails = re.findall(r"\w+@\w+\.\w+", text)
print(emails)  # 输出：['test1@xxx.com', 'test2@yyy.com', 'test3@zzz.org']

 

`re.finditer()`：迭代器返回匹配项（适合大量数据）

 
# 示例：迭代提取大文本中的所有URL
text = "链接1：https://www.baidu.com，链接2：https://www.google.com"
urls = re.finditer(r"https?://\w+\.\w+", text)  # ?表示s可选（匹配http/https）
for url in urls:
    print(url.group())  # 依次输出两个URL

3. 文本替换：re.sub ()（支持正则替换）

# 示例1：敏感词替换（替换所有“垃圾”为**）
text = "这是垃圾内容，不要发垃圾信息"
clean_text = re.sub(r"垃圾", "**", text)
print(clean_text)  # 输出：这是**内容，不要发**信息

# 示例2：数字脱敏（手机号保留前3后4，中间替换为****）
phone = "13812345678"
mask_phone = re.sub(r"(\d{3})\d{4}(\d{4})", r"\1****\2", phone)
# \1引用第一个分组，\2引用第二个分组
print(mask_phone)  # 输出：138****5678

# 示例3：去除所有空格/换行符
text = "  这是一段\n带空格和换行的文本  "
clean_text = re.sub(r"\s+", "", text)  # \s匹配所有空白字符（空格、换行、制表符）
print(clean_text)  # 输出：这是一段带空格和换行的文本

 

4. 字符串分割：re.split ()（非固定分隔符）

# 示例1：按多个分隔符分割（逗号/分号/空格）
text = "苹果,香蕉;橙子 葡萄"
fruits = re.split(r"[,; ]", text)
print(fruits)  # 输出：['苹果', '香蕉', '橙子', '葡萄']

# 示例2：按任意数量的空格分割
text = "Python  re  模块  教程"
words = re.split(r"\s+", text)
print(words)  # 输出：['Python', 're', '模块', '教程']

 

四、进阶技巧：解锁正则的核心能力

1. 分组与引用：精准提取结构化内容

正则的 “分组”（()）是提取结构化数据的核心，通过group(n)或\n引用分组内容：

# 示例：提取日志中的时间、级别、内容
log = "2025-12-12 14:30:00 [ERROR] 数据库连接失败"
# 分组1：时间，分组2：级别，分组3：内容
pattern = r"(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) \[(\w+)\] (.*)"
result = re.search(pattern, log)

print("时间：", result.group(1))  # 2025-12-12 14:30:00
print("级别：", result.group(2))  # ERROR
print("内容：", result.group(3))  # 数据库连接失败

 

2. 贪婪 / 非贪婪匹配：控制匹配范围

正则默认是贪婪匹配（尽可能匹配更多字符），加?可转为非贪婪匹配（尽可能匹配更少字符）：

# 示例1：贪婪匹配（默认）
text = "<div>标题1</div><div>标题2</div>"
result = re.search(r"<div>.*</div>", text)
print(result.group())  # 输出：<div>标题1</div><div>标题2</div>（匹配全部）

# 示例2：非贪婪匹配（加?）
result = re.search(r"<div>.*?</div>", text)
print(result.group())  # 输出：<div>标题1</div>（仅匹配第一个）

 

3. 模式修饰符：适配不同匹配场景

通过flags参数设置匹配模式，常用修饰符：

修饰符	作用	示例
`re.I`/`re.IGNORECASE`	忽略大小写	`re.search(r"python", text, re.I)`
`re.M`/`re.MULTILINE`	多行模式（^/$ 匹配每行开头 / 结尾）	`re.findall(r"^error", log, re.M)`
`re.S`/`re.DOTALL`	点（.）匹配换行符	`re.search(r"a.*b", "a\nb", re.S)`

# 示例1：忽略大小写匹配
text = "Python PYTHON python"
result = re.findall(r"python", text, re.I)
print(result)  # 输出：['Python', 'PYTHON', 'python']

# 示例2：多行模式匹配每行开头的数字
text = """1. 正则基础
2. 进阶技巧
3. 实战场景"""
result = re.findall(r"^\d", text, re.M)
print(result)  # 输出：['1', '2', '3']

 

4. 转义处理：raw 字符串（r 前缀）的关键作用

正则中的\是转义符，而 Python 字符串中\也需转义，因此推荐用raw 字符串（r"xxx"）避免双重转义：

# 错误示例：匹配小数点（未用raw字符串，\d被Python转义）
# result = re.search("^\d+\.\d+$", "123.45")  # 实际传递的是^\d+.\d+$，.匹配任意字符
# 正确示例：用raw字符串
result = re.search(r"^\d+\.\d+$", "123.45")
print(result.group())  # 输出：123.45

 

5. 预编译正则：提升重复匹配性能

若同一正则表达式需多次使用（如循环中匹配），用re.compile()编译为Pattern对象，可避免重复解析正则，提升性能：

# 编译正则（仅需执行一次）
phone_pattern = re.compile(r"^1[3-9]\d{9}$")  # 手机号正则

# 批量验证手机号（复用编译后的Pattern）
phones = ["13812345678", "12345678901", "19987654321"]
for phone in phones:
    if phone_pattern.match(phone):
        print(f"{phone} 是有效手机号")
    else:
        print(f"{phone} 无效")

 

五、实战场景：覆盖 80% 的业务需求

场景 1：格式验证（手机号 / 邮箱 / 身份证）

import re

def is_valid_phone(phone):
    """验证手机号（11位，以13/14/15/16/17/18/19开头）"""
    pattern = r"^1[3-9]\d{9}$"
    return bool(re.match(pattern, phone))

def is_valid_email(email):
    """验证邮箱（简单版，适配多数场景）"""
    pattern = r"^[a-zA-Z0-9_-]+@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+)+$"
    return bool(re.match(pattern, email))

def is_valid_idcard(idcard):
    """验证18位身份证号（仅格式，不校验校验位）"""
    pattern = r"^[1-9]\d{5}(19|20)\d{2}((0[1-9])|(1[0-2]))((0[1-9])|([1-2]\d)|(3[0-1]))\d{3}[\dXx]$"
    return bool(re.match(pattern, idcard))

# 测试
print(is_valid_phone("13812345678"))  # True
print(is_valid_email("test_123@xxx.com"))  # True
print(is_valid_idcard("110101199001011234"))  # True

 

场景 2：提取 HTML 中的链接和标题

import re

html = """
<a href="https://www.baidu.com">百度</a>
<a href="https://www.github.com">GitHub</a>
"""

# 提取所有链接和标题（分组匹配）
pattern = r'<a href="(.*?)">(.*?)</a>'
results = re.findall(pattern, html)

for url, title in results:
    print(f"标题：{title}，链接：{url}")
# 输出：
# 标题：百度，链接：https://www.baidu.com
# 标题：GitHub，链接：https://www.github.com

 

场景 3：日志解析（提取错误日志）

log_text = """
2025-12-12 14:00:00 [INFO] 服务启动成功
2025-12-12 14:01:00 [ERROR] 数据库连接失败：Timeout
2025-12-12 14:02:00 [WARN] 内存使用率80%
2025-12-12 14:03:00 [ERROR] API调用失败：404 Not Found
"""

# 提取所有ERROR级别的日志（时间+内容）
pattern = r"(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) \[ERROR\] (.*)"
errors = re.findall(pattern, log_text)

for time, content in errors:
    print(f"错误时间：{time}，错误内容：{content}")
# 输出：
# 错误时间：2025-12-12 14:01:00，错误内容：数据库连接失败：Timeout
# 错误时间：2025-12-12 14:03:00，错误内容：API调用失败：404 Not Found

 

六、避坑指南：90% 的新手会踩的坑

1. 混淆`match`和`search`

错误：用re.match()查找字符串中间的内容（返回 None）；
解决：验证格式用match（开头匹配），查找内容用search/findall。

2. 忘记使用 raw 字符串导致转义错误

错误：re.search("\d+\.\d+", "123.45")（Python 将\d转义为普通字符）；
解决：所有正则表达式都加r前缀，如r"\d+\.\d+"。

3. 贪婪匹配导致匹配范围超出预期

错误：提取<div>内容时用.*匹配到多个标签；
解决：加?转为非贪婪匹配，如.*?。

4. 忽略换行符的匹配（`.`默认不匹配`\n`）

错误：re.search(r"a.*b", "a\nb")返回 None；
解决：加re.S修饰符，re.search(r"a.*b", "a\nb", re.S)。

5. 重复编译正则导致性能低下

错误：循环中多次调用re.match(pattern, text)；
解决：提前用re.compile()编译正则，循环中复用 Pattern 对象。

七、总结

re模块是 Python 文本处理的核心工具，掌握它的关键在于：

分清match/search/findall的适用场景；
熟练使用分组、贪婪 / 非贪婪匹配、模式修饰符；
用 raw 字符串避免转义错误，用compile提升性能；
结合业务场景（验证、提取、替换、分割）灵活组合用法。

posted on 2025-12-12 09:06 小陶coding 阅读(48) 评论(0) 收藏举报

刷新页面返回顶部

小陶coding