Python3 正则表达式

Python3 学习笔记 · 整理自菜鸟教程

一句话

正则表达式（regex）是用特殊符号描述字符串匹配规则的表达式，配合 re 模块完成查找、替换、分割、提取等文本处理。

要点

  • 核心模块是 re，使用前 import re。
  • 普通字符匹配自身，元字符有特殊含义。
  • 常用操作：match（从开头匹配）、search（扫描全文找第一个）、findall（找全部）、sub（替换）、split（分割）。
  • 贪婪匹配默认取最长，加 ? 变非贪婪（懒惰）匹配。
  • 编译正则可提升重复使用的性能：re.compile()。

语法 / 常用方法

语法/方法 说明 示例
. 匹配任意字符（除换行） a.c 匹配 abc
^ / $ 匹配开头 / 结尾 ^py、py$
* / + / ? 前一个字符 0 次或多次 / 1 次或多次 / 0 次或 1 次 ab*c
{n} / {n,m} 前一个字符恰好 n 次 / n 到 m 次 a{2,3}
[] 字符集合，匹配其中一个 [abc]、[0-9]、[^0-9]
\d / \D 数字 / 非数字 \d+ 匹配整数
\w / \W 字母数字下划线 / 非 等价 [A-Za-z0-9_]
\s / \S 空白字符 / 非空白 空格、\t、\n
\b 单词边界 \bcat\b
| 或 cat|dog
(...) 分组，可用 \1 引用，(?:...) 不捕获 (ab)+
(?P<name>...) 命名分组 (?P<year>\d{4})
修饰符 re.I 忽略大小写 re.search('py', s, re.I)
修饰符 re.M 多行匹配，^ $ 作用于每行 re.findall('^a', s, re.M)
修饰符 re.S 让 . 匹配换行 re.search('a.b', s, re.S)
re.match(pattern, s) 从开头匹配，返回 Match 对象或 None re.match(r'\d+', '123abc')
re.search(pattern, s) 全文搜索第一个匹配 re.search(r'\d+', 'a1b2')
re.findall(pattern, s) 返回所有匹配的列表 re.findall(r'\d', 'a1b2')
re.sub(pattern, repl, s) 替换所有匹配 re.sub(r'\d', '#', 'a1')
re.split(pattern, s) 按匹配分割 re.split(r'\s+', 'a b c')
re.compile(pattern) 编译正则返回 Pattern 对象 p = re.compile(r'\d+')

代码示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
import re

s = '联系方式: 138-1234-5678, 邮箱: tom@example.com'

# search: 找第一个电话号码
m = re.search(r'\d{3}-\d{4}-\d{4}', s)
print(m.group())          # 138-1234-5678
print(m.span())           # (5, 17) 匹配位置

# findall: 找所有数字
print(re.findall(r'\d+', s))   # ['138', '1234', '5678', '123', '4567', '890']

# 分组提取
m = re.search(r'(\w+)@(\w+\.\w+)', s)
print(m.group(1), m.group(2))  # tom example.com

# 命名分组
m = re.search(r'(?P<name>\w+)@(?P<domain>\w+\.\w+)', s)
print(m.group('domain'))       # example.com

# 替换: 隐藏手机号中间四位
masked = re.sub(r'(\d{3})-(\d{4})-(\d{4})', r'\1-****-\3', s)
print(masked)                  # 联系方式: 138-****-5678, ...

# 分割: 按任意空白拆分
print(re.split(r'\s+', 'python  is   great'))  # ['python', 'is', 'great']

# 编译后复用 + 非贪婪
p = re.compile(r'<.+?>')   # 非贪婪，只匹配一个标签
print(p.findall('<a>text</a>'))   # ['<a>', '</a>']

易错点

  • re.match 只从字符串开头匹配，中间有匹配要用 re.search。
  • 正则字符串前加 r（原始字符串），否则 \d 等会被 Python 转义处理。
  • * 和 + 默认贪婪：<.+> 会吞掉多个标签，需要时加 ?。
  • findall 带分组时返回的是分组元组而非完整匹配：re.findall(r'(\d+)-(\d+)', s) 返回 [('138','1234'),...]。
  • \w 只含字母数字下划线，匹配中文用 [\u4e00-\u9fa5] 或 re.UNICODE 下直接用 \w 之外的字符类。
  • 反斜杠在普通字符串里是转义符，忘加 r 容易报 bad escape 或行为异常。