51. 正则表达式

正则表达式（Regular Expression，简称 regex）是一种描述文本模式的微型语言。它用一系列特殊符号定义「什么样的字符串符合条件」，在数据验证、文本提取、格式化等场景非常有用。

Python 通过 re 模块支持正则表达式。

基础匹配

import re

# 匹配字符串开头
result = re.match(r'hello', 'hello world')
print(result)       # <re.Match object; span=(0, 5), match='hello'>
print(result.group())  # hello

# 匹配失败返回 None
print(re.match(r'world', 'hello world'))  # None

re.match() 从字符串开头开始匹配。如果模式不在开头，返回 None。

常用元字符

符号	含义
.	任意单个字符（除换行）
\d	数字 [0-9]
\w	单词字符 [a-zA-Z0-9_]
\s	空白字符（空格、制表符、换行等）
\b	单词边界
^	字符串开头
$	字符串结尾
*	前一个字符出现 0 次或多次
+	前一个字符出现 1 次或多次
?	前一个字符出现 0 次或 1 次
{n}	前一个字符恰好出现 n 次
{n,m}	前一个字符出现 n 到 m 次
|	或
()	分组

import re

print(re.match(r'\d+', '123abc').group())      # 123
print(re.match(r'\w+', 'hello_world').group()) # hello_world
print(re.match(r'a*b', 'aaab').group())        # aaab
print(re.match(r'colou?r', 'color').group())   # color

三种匹配方法的区别

函数	行为
re.match()	从字符串开头匹配
re.search()	扫描整个字符串，返回第一个匹配
re.findall()	返回所有匹配组成的列表
re.finditer()	返回所有匹配的迭代器

text = 'The price is $25 and $30'

print(re.match(r'\$\d+', text))       # None（$ 不在开头）
print(re.search(r'\$\d+', text).group())  # $25
print(re.findall(r'\$\d+', text))     # ['$25', '$30']

分组提取

用括号 () 把模式分成组，可以单独提取：

import re

text = 'Name: Alice, Age: 25'
pattern = r'Name: (\w+), Age: (\d+)'

m = re.search(pattern, text)
print(m.group(0))   # 整个匹配：Name: Alice, Age: 25
print(m.group(1))   # 第一组：Alice
print(m.group(2))   # 第二组：25

给组起名字，代码更易读：

pattern = r'Name: (?P<name>\w+), Age: (?P<age>\d+)'
m = re.search(pattern, text)
print(m.group('name'))   # Alice
print(m.group('age'))    # 25

替换文本：re.sub()

import re

text = 'The color is red, I like red'
result = re.sub(r'red', 'blue', text)
print(result)  # The color is blue, I like blue

# 限制替换次数
result = re.sub(r'red', 'blue', text, count=1)
print(result)  # The color is blue, I like red

替换时可以用函数动态生成结果：

def double(m):
    num = int(m.group())
    return str(num * 2)

print(re.sub(r'\d+', double, '1 2 3'))  # 2 4 6

贪婪与非贪婪

正则默认是「贪婪」模式：尽可能匹配更多字符。

text = '<div>content</div>'
print(re.search(r'<.*>', text).group())   # <div>content</div>（贪婪）
print(re.search(r'<.*?>', text).group())  # <div>（非贪婪）

在量词后加 ? 变成非贪婪模式，匹配最少字符。

编译正则：re.compile()

同一个正则表达式多次使用时，先编译能提升性能：

import re

email_pattern = re.compile(r'^[\w.-]+@[\w.-]+\.\w+$')

print(email_pattern.match('alice@example.com'))
print(email_pattern.match('bad-email'))

编译后的对象有 match()、search()、findall()、sub() 等方法，和 re 模块的函数一一对应。

常见正则模式

import re

# 邮箱（简化版）
email = r'^[\w.-]+@[\w.-]+\.\w+$'

# 手机号（中国大陆）
phone = r'^1[3-9]\d{9}$'

# 身份证号（18 位）
idcard = r'^\d{17}[\dXx]$'

# IP 地址（简化版）
ip = r'^\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}$'

# 验证
def validate(pattern, text):
    return bool(re.match(pattern, text))

print(validate(phone, '13800138000'))  # True
print(validate(phone, '12345678901'))  # False

小结

• re.match() 从开头匹配，re.search() 全局找第一个，re.findall() 找全部。
• () 分组提取，(?P<name>...) 命名分组。
• re.sub() 替换文本，支持函数回调。
• 量词默认贪婪，加 ? 变非贪婪。
• 多次使用的正则先 compile()，性能更好。

正则表达式像一门浓缩的外语，符号密集，初学时看着头疼。但一旦掌握，处理字符串的效率会提升一个量级。不需要背下所有符号，记住最常用的十几个，遇到复杂模式再查文档。

---