24｜正则表达式

正则表达式（Regular Expression）是从文本中提取、匹配、替换特定模式的工具。日志分析、数据清洗、格式校验——这些场景都常用正则。

Python 的 re 模块提供正则支持。正则语法本身不是 Python 特有的，多数编程语言都有类似的实现。

一、基本匹配

import re

text = "hello world"

re.search("world", text)    # <re.Match object; span=(6, 11), ...>
re.search("xyz", text)      # None，找不到

re.search() 在字符串中搜索第一个匹配。找到返回 Match 对象，找不到返回 None。

二、常用函数

函数	作用
re.search(pattern, text)	搜索第一个匹配
re.match(pattern, text)	从字符串开头匹配
re.findall(pattern, text)	返回所有匹配的字符串列表
re.finditer(pattern, text)	返回所有匹配的迭代器
re.sub(pattern, repl, text)	替换匹配的内容
re.split(pattern, text)	按匹配切分字符串

text = "2024-06-01 10:30:15 INFO 服务启动"

# 提取日期
re.search(r"\d{4}-\d{2}-\d{2}", text)
# <re.Match object; span=(0, 10), match='2024-06-01'>

# 提取所有数字
re.findall(r"\d+", text)
# ['2024', '06', '01', '10', '30', '15']

# 提取时间部分
match = re.search(r"(\d{2}):(\d{2}):(\d{2})", text)
match.group(0)   # '10:30:15'，整个匹配
match.group(1)   # '10'，第一个分组
match.group(2)   # '30'
match.group(3)   # '15'

三、元字符

元字符	含义
.	任意单个字符（除换行）
\d	数字 [0-9]
\D	非数字
\w	单词字符 [a-zA-Z0-9_]
\W	非单词字符
\s	空白字符（空格、制表符、换行）
\S	非空白字符
^	字符串开头
$	字符串结尾
\b	单词边界

re.search(r"^hello", "hello world")    # 匹配
re.search(r"^hello", "say hello")      # 不匹配，不在开头

re.search(r"world$", "hello world")    # 匹配
re.search(r"world$", "hello worlds")   # 不匹配

四、量词

量词	含义
*	0 次或多次
+	1 次或多次
?	0 次或 1 次
{n}	恰好 n 次
{n,}	至少 n 次
{n,m}	n 到 m 次

re.findall(r"\d+", "a1b23c456")       # ['1', '23', '456']
re.findall(r"\d{2}", "a1b23c456")     # ['23', '45']
re.findall(r"\d{2,3}", "a1b23c456")   # ['23', '456']

五、分组与命名分组

圆括号 () 创建分组：

pattern = r"(\d{4})-(\d{2})-(\d{2})"
match = re.search(pattern, "2024-06-01")

match.group(0)   # '2024-06-01'
match.group(1)   # '2024'
match.group(2)   # '06'
match.group(3)   # '01'

命名分组 (?P<name>...)：

pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})"
match = re.search(pattern, "2024-06-01")

match.group("year")   # '2024'
match.group("month")  # '06'

命名分组让代码更可读——不用记 group(1) 是年还是月。

六、替换

text = "password=abc123 token=xyz789"

# 把密码和 token 脱敏
re.sub(r"(password|token)=\S+", r"\1=***", text)
# 'password=*** token=***'

\1 引用第一个分组的内容。\1=*** 表示"保留分组 1 的内容，后面接 =***"。

七、编译正则

频繁使用的正则可以先编译，提升性能：

pattern = re.compile(r"\d{4}-\d{2}-\d{2}")

pattern.search("2024-06-01")
pattern.search("2023-12-25")

编译后的正则对象有和 re 模块相同的函数（search、findall、sub 等）。

八、原始字符串

正则表达式里反斜杠很多，用原始字符串 r"..." 避免双重转义：

# 不用原始字符串：要写成四个反斜杠才能匹配一个反斜杠
re.search("\\\\", "a\\b")

# 用原始字符串：直观
re.search(r"\\", "a\\b")

写正则时始终用 r"..."，除非有特殊理由不这样做。

九、使用边界

正则能跑通不等于准确。IP、邮箱、URL 这类格式要求严格时，表达式要按实际数据收紧：

# 太宽松，会误匹配
re.findall(r"\S+@\S+", "contact me at alice@example.com")   # 能匹配
re.findall(r"\S+@\S+", "foo@bar")                            # 也会匹配（不是有效邮箱）

# 更严格的邮箱匹配（仍不完美）
pattern = r"[\w.+-]+@[\w.-]+\.\w+"

正则不是万能工具。有结构化格式时优先用对应解析器（JSON 用 json，日期用 datetime，HTML 用 BeautifulSoup）。正则留给没有固定结构的自由文本。

记忆锚点：re.search() 找第一个，re.findall() 找所有，re.sub() 替换；\d 数字，\w 单词字符，\s 空白；() 分组，(?P<name>) 命名分组；* 0+，+ 1+，? 0/1，{n,m} n 到 m 次；正则始终用原始字符串 r"..."；正则不是万能工具，结构化数据用专门解析器。