python正则表达式保姆级教学-CSDN博客

正则表达式（regex）是描述文本模式的特殊字符串，能快速定位符合规则的内容。

它由普通字符和元字符（如*、\d）组成，可定义匹配规则。例如\w+@\w+\.\w+能直接匹配所有邮箱。

其核心价值是高效处理文本，在数据清洗、爬虫解析等场景中，比传统方法更简洁高效。

作为跨语言技术，正则在各编程语言中都有支持，是处理文本的实用工具。

下面我们将详细讲讲正则表达式

导入库re

正则表达式是标准库，直接可以导入使用，不需要下载，其库名为re

import re

正则表达式的四个常用函数

在 Python 的re模块中，有四个函数是处理文本匹配的核心工具，覆盖了大多数文本处理场景：

1. re.search ()：查找首个匹配项

功能：在整个字符串中搜索第一个符合目标的内容，返回匹配对象。

示例：

import re

text = "苹果，香蕉，橘子，香蕉"

result = re.search("香蕉", text)

print(result.group()) # 输出：香蕉

特点：找到第一个匹配后就停止搜索，适合提取首个目标。

2. re.findall ()：获取所有匹配结果

功能：查找字符串中所有符合目标的内容，返回包含所有结果的列表。

示例：

fruits = re.findall("香蕉", "苹果，香蕉，橘子，香蕉")

print(fruits) # 输出：['香蕉', '香蕉']

特点：一次性返回所有匹配项，常用于批量提取同类信息。

3. re.sub ()：替换匹配内容

功能：将匹配到的内容替换为指定字符串，支持简单替换逻辑。

示例：

# 用"橙子"替换"香蕉"

new_text = re.sub("香蕉", "橙子", "苹果，香蕉，橘子，香蕉")

print(new_text) # 输出：苹果，橙子，橘子，橙子

特点：能快速替换文本中的目标内容，是文本修改的常用工具。

4. re.match ()：从开头匹配内容

功能：只从字符串的开头开始匹配目标内容，若开头不匹配则返回 None。

示例：

# 字符串开头是"苹果"，匹配成功

result1 = re.match("苹果", "苹果，香蕉，橘子")

print(result1.group()) # 输出：苹果

# 字符串开头不是"香蕉"，匹配失败

result2 = re.match("香蕉", "苹果，香蕉，橘子")

print(result2) # 输出：None

特点：仅检查字符串开头是否符合目标，适合验证字符串是否以特定内容开头。

这四个函数基本能满足日常文本处理需求，掌握它们可以解决大部分简单的文本匹配问题。

一、表示字符范围

字符范围用于指定匹配的字符集合，主要通过方括号[]实现：

1. `[abc]`：匹配 a、b、c 中任意一个字符

匹配逻辑：方括号内的任意单个字符
示例代码：

a='a1b2c3'
re.findall('[abc]', a)  # 输出：['a', 'b', 'c']

结果分析：匹配到字符串中的 'a'、'b'、'c'，跳过数字
实际应用：筛选特定字符，如验证验证码是否包含指定字母

2. `[a-z]`：匹配任意小写字母

匹配逻辑：ASCII 码范围从 97 (a) 到 122 (z) 的字符
示例代码：

a='A1b2C3'
re.findall('[a-z]', a)  # 输出：['b']

结果分析：仅匹配到小写字母 'b'，忽略大写和数字
实际应用：提取文本中的英文单词

3. `[0-9a-zA-Z]`：匹配数字、字母

匹配逻辑：组合多个字符范围
示例代码：

a='a1b2c3'
re.findall('[0-9a-zA-Z]',a)  # 输出：['a', '1']

结果分析：匹配字母和数字，跳过特殊符号
实际应用：过滤用户名中的非法字符

4. `[^abc]`：匹配除 a、b、c 外的任意字符

匹配逻辑：方括号内^表示取反
示例代码：

a='a1b2c3'
re.findall('[^abc]', a)  # 输出：['1', '2', '3']

结果分析：匹配所有非 a、b、c 的字符
实际应用：清理文本中的干扰字符

二、表示字符串出现次数

出现次数和位置限定符用于约束匹配规则：

1. **`*`**：前面元素出现 0 次或多次

匹配逻辑：贪婪匹配，尽可能多匹配
示例代码：

a= 'a ab abb'
re.findall('ab*',a)  # 输出：['a', 'ab', 'abb']

结果分析：
- 第一个 'a'：b 出现 0 次
- 第二个 'ab'：b 出现 1 次
- 第三个 'abb'：b 出现 2 次
实际应用：匹配可能带后缀的固定前缀

2. `+`：前面元素出现 1 次或多次

匹配逻辑：至少出现 1 次
示例代码：

a='a ab abb'
re.findall('ab+', a)  # 输出：['ab', 'abb']

结果分析：跳过单独的 'a'，仅匹配带 b 的情况
实际应用：验证密码至少包含一个特定字符

3. `?`：前面元素出现 0 次或 1 次

匹配逻辑：非贪婪匹配，尽可能少匹配
示例代码：

a='a ab abb'
re.findall('ab?', a)  # 输出：['a', 'ab', 'ab']

结果分析：
- 第一个 'a'：b 出现 0 次
- 后两个 'abb'：b 出现 1 次（非贪婪截断）
实际应用：处理可选参数，如 color/colour

4. `{n}`：前面元素恰好出现 n 次

匹配逻辑：精确控制重复次数
示例代码：

a='aa aaa'
re.findall('a{2}', a)  # 输出：['aa', 'aa']

结果分析：
- 'aa'：完整匹配一次
- 'aaa'：拆分为两个连续的 'aa'
实际应用：验证日期格式中的年份（如 2023）

5. `{n,}`：前面元素至少出现 n 次

匹配逻辑：无上限的重复
示例代码：

a='aa aaa aaaa'
re.findall('a{2,}', a)  # 输出：['aa', 'aaa', 'aaaa']

结果分析：匹配所有长度≥2 的连续 'a'
实际应用：检测连续重复字符（如密码强度）

6. `{n,m}`：前面元素出现 n 到 m 次

匹配逻辑：区间控制重复次数
示例代码：

a= 'aa aaa aaaa'
re.findall('a{2,3}',a)  # 输出：['aa', 'aaa', 'aaa']

结果分析：
- 'aaaa' 被拆分为两个 'aaa'（优先匹配最大长度）
实际应用：验证手机号长度（如 11 位）

7. `^`：匹配字符串开头

匹配逻辑：定位匹配位置
示例代码：

a='abc a123'
re.findall('^a', a)  # 输出：['a']

结果分析：仅匹配第一个单词的开头 'a'
实际应用：验证 URL 协议（如 ^https://）

8. `$`：匹配字符串结尾

匹配逻辑：定位匹配位置
示例代码：

a='abc123 a1234'
re.findall('3$', a)  # 输出：['3']

结果分析：仅匹配完全以 '3' 结尾的字符串
实际应用：验证文件扩展名（如.jpg$）

三，表示同一类字符

1. `\d`：匹配任意数字

匹配逻辑：等价于[0-9]，匹配单个数字字符
示例代码：

a = 'a1b2c3'
re.findall(r'\d', a)  # 输出：['1', '2', '3']

结果分析：从字符串中提取所有数字字符

2. `\D`：匹配任意非数字

匹配逻辑：等价于[^0-9]，匹配数字以外的任意字符
示例代码：

a = 'a1b2c3'
re.findall(r'\D', a)  # 输出：['a', 'b', 'c']

结果分析：提取所有非数字字符，忽略数字

3. `\w`：匹配单词字符

匹配逻辑：等价于[a-zA-Z0-9_]，匹配字母、数字、下划线
示例代码：

a = 'a1_b@c'
re.findall(r'\w', a)  # 输出：['a', '1', '_', 'b', 'c']

结果分析：保留单词字符，过滤特殊符号@

4. `\W`：匹配非单词字符

匹配逻辑：等价于[^a-zA-Z0-9_]，匹配单词字符以外的字符
示例代码：

a = 'a1_b@c'
re.findall(r'\W', a)  # 输出：['@']

结果分析：仅提取特殊符号，忽略单词字符

5. `\s`：匹配空白字符

匹配逻辑：匹配空格、制表符、换行符等空白字符
示例代码：

a = 'a b\tc\n'
re.findall(r'\s', a)  # 输出：[' ', '\t', '\n']

结果分析：提取所有类型的空白字符

6. `\S`：匹配非空白字符

匹配逻辑：匹配除空白字符外的任意字符
示例代码：

a = 'a b\tc\n'
re.findall(r'\S', a)  # 输出：['a', 'b', 'c']

结果分析：提取所有可见字符，忽略空白

7. `\b`：匹配单词边界

匹配逻辑：单词字符（\w）与非单词字符（\W）的交界处
示例代码：

a = 'cat catch copycat'
re.findall(r'\bcat\b', a)  # 输出：['cat']

结果分析：仅匹配独立单词 "cat"，排除 "catch" 和 "copycat" 中的 "cat"

8. `\B`：匹配非单词边界

匹配逻辑：两个单词字符之间或两个非单词字符之间的位置
示例代码：

a = 'cat copycat'
re.findall(r'\Bcat\B', a)  # 输出：[]

结果分析："cat" 两侧均为单词边界，因此无匹配结果

9. `.`：匹配任意字符（除换行符）

匹配逻辑：匹配单个任意字符，但不包括换行符\n
示例代码：

a = 'abc\n123'
re.findall(r'.', a)  # 输出：['a', 'b', 'c', '1', '2', '3']

结果分析：换行符被忽略，仅匹配可见字符

正则表达式中的贪婪与非贪婪模式

一、贪婪模式（默认行为）

核心特点：尽可能多地匹配字符，直到无法继续匹配为止。
触发符号：*、+、?、{n,}、{n,m} 等重复量词默认采用贪婪模式。

1. **`.*`**：匹配任意字符（贪婪）

a = '<div>content</div>'
re.findall(r'<.*>', a)  # 输出：['<div>content</div>']

匹配逻辑：
1. < 匹配起始标签
2. .* 贪婪地匹配所有后续字符，直到字符串末尾
3. > 尝试匹配，但字符串已结束，回溯直到找到最后一个 >

2. `\d+`：匹配数字（贪婪）

a = '123abc'
re.findall(r'\d+', a)  # 输出：['123']

匹配逻辑：\d+ 尽可能多地匹配数字，直到遇到 a 停止。

二、非贪婪模式（懒惰模式）

核心特点：尽可能少地匹配字符，一旦满足条件就停止匹配。
触发符号：在重复量词后添加 ?，如 *?、+?、??、{n,}?、{n,m}?。

3. **`.*?`**：匹配任意字符（非贪婪）

a = '<div>content</div>'
re.findall(r'<.*?>', a)  # 输出：['<div>', '</div>']

匹配逻辑：
1. < 匹配起始标签
2. .*? 非贪婪地匹配最少字符，直到遇到第一个 >
3. 立即停止匹配，继续寻找下一个匹配项

4. `\d+?`：匹配数字（非贪婪）

a = '123abc'
re.findall(r'\d+?', a)  # 输出：['1', '2', '3']

匹配逻辑：\d+? 每次只匹配一个数字，满足 + 至少一次的要求后立即停止。

三、对比与应用场景

5. 贪婪 vs 非贪婪

a = 'ababab'
re.findall(r'a.*b', a)  # 贪婪：['ababab']
re.findall(r'a.*?b', a)  # 非贪婪：['ab', 'ab', 'ab']

结果分析：
- 贪婪模式：从第一个 a 开始，尽可能多地匹配，直到最后一个 b
- 非贪婪模式：从每个 a 开始，匹配到最近的 b 即停止

6. 实际应用：提取 HTML 标签

a = '<p>First</p><p>Second</p>'
re.findall(r'<p>.*</p>', a)  # 贪婪：['<p>First</p><p>Second</p>']
re.findall(r'<p>.*?</p>', a)  # 非贪婪：['<p>First</p>', '<p>Second</p>']

最佳实践：提取成对标签时，必须使用非贪婪模式避免过度匹配。

或和组

一、或操作符（|）

核心功能：匹配多个模式中的任意一个，优先级低于分组。

1. 基础语法

a = 'cat dog fish'
re.findall(r'cat|dog', a)  # 输出：['cat', 'dog']

匹配逻辑：依次尝试匹配 cat 或 dog，找到即停止。

2. 跨类型匹配

a = '123 abc'
re.findall(r'\d+|abc', a)  # 输出：['123', 'abc']

匹配逻辑：优先匹配连续数字，否则匹配 abc。

3. 注意优先级

a = 'ab ac'
re.findall(r'a|b|c', a)  # 输出：['a', 'b', 'a', 'c']（匹配单个字符）
re.findall(r'a(b|c)', a)  # 输出：['ab', 'ac']（正确分组）

最佳实践：使用 | 时建议用括号明确分组，避免优先级问题。

二、分组（Parentheses）

核心功能：将多个字符视为一个整体，并可捕获匹配结果。

4. 基础分组

a = 'abab'
re.findall(r'(ab)+', a)  # 输出：['ab']

匹配逻辑：将 ab 作为一个整体重复匹配，捕获最后一次出现的 ab。

5. 捕获分组

a = '2023-07-10'
re.findall(r'(\d{4})-(\d{2})-(\d{2})', a)  # 输出：[('2023', '07', '10')]

提取技巧：通过索引访问分组结果（如 match.group(1) 返回 2023）。

6. 非捕获分组

a = 'abab'
re.findall(r'(?:ab)+', a)  # 输出：['abab']

语法差异：(?:...) 表示不捕获分组内容，仅用于分组。

7. 反向引用

a = 'hello world'
re.findall(r'(\w) \1', a)  # 输出：['l']（匹配重复字符）

匹配逻辑：\1 引用第一个分组内容，此处匹配两个连续相同字符。

三、组合应用

8. 分组与或结合

a = 'John Smith, Jane Doe'
re.findall(r'(John|Jane) (Smith|Doe)', a)  # 输出：[('John', 'Smith'), ('Jane', 'Doe')]

匹配逻辑：匹配名和姓的任意组合。

9. 复杂分组嵌套

a = '<div class="container">Text</div>'
re.findall(r'<div(.*?)>(.*?)</div>', a)  # 输出：[(' class="container"', 'Text')]

提取技巧：分组 1 捕获属性，分组 2 捕获内容。

四、注意事项

分组性能：过多嵌套分组可能影响匹配效率，非必要时使用非捕获分组。
交替顺序：| 按从左到右的顺序尝试匹配，长模式应优先放置。
示例：r'https?|ftp' 比 r'ftp|https?' 更高效。
边界处理：确保分组不遗漏必要字符。
示例：r'(a|ab)' 应改为 r'(ab|a)' 以优先匹配更长模式。

python正则表达式保姆级教学

导入库re

正则表达式的四个常用函数

1. re.search ()：查找首个匹配项

2. re.findall ()：获取所有匹配结果

3. re.sub ()：替换匹配内容

4. re.match ()：从开头匹配内容

一、表示字符范围

1. [abc]：匹配 a、b、c 中任意一个字符

2. [a-z]：匹配任意小写字母

3. [0-9a-zA-Z]：匹配数字、字母

4. [^abc]：匹配除 a、b、c 外的任意字符

二、表示字符串出现次数

1. *：前面元素出现 0 次或多次

2. +：前面元素出现 1 次或多次

3. ?：前面元素出现 0 次或 1 次

4. {n}：前面元素恰好出现 n 次

5. {n,}：前面元素至少出现 n 次

6. {n,m}：前面元素出现 n 到 m 次

7. ^：匹配字符串开头

8. $：匹配字符串结尾