Learn
Python/19-regex

正则表达式 re

正则表达式是处理文本的强大工具：校验格式、抽取字段、批量替换都能一行搞定。Python 标准库 re 把这套能力完整暴露出来。

1. 最基础的匹配

re.search 在字符串里找第一个匹配，re.match 只从开头匹配，re.fullmatch 要求整串匹配。

import re
 
text = "订单号: ORD-2024-7788, 金额 1299 元"
m = re.search(r"ORD-\d{4}-\d{4}", text)
print(m.group())          # ORD-2024-7788
 
# 严格校验手机号（11 位，1 开头）
ok = re.fullmatch(r"1\d{10}", "13800138000")
print(bool(ok))           # True
print(bool(re.fullmatch(r"1\d{10}", "2380013800")))  # False

2. 分组与提取

用圆括号 () 把想抽取的部分圈起来，再用 group(1)、group(2) 取出。

import re
 
s = "姓名=小明, 年龄=18"
m = re.search(r"姓名=(\w+), 年龄=(\d+)", s)
name, age = m.group(1), m.group(2)
print(name, age)          # 小明 18
 
# findall 直接返回所有分组元组
logs = "a=1 b=2 c=3"
pairs = re.findall(r"(\w+)=(\d+)", logs)
print(pairs)              # [('a', '1'), ('b', '2'), ('c', '3')]
💡命名分组更易读

写成 r"(?P<name>\w+)"，取用时用 m.group("name")，比数位置更不容易错。

3. 字符类与量词

  • \d 数字、\w 单词字符、\s 空白
  • . 任意字符（除换行）、[] 自定义集合如 [a-z]
  • * 0 次或多次、+ 1 次或多次、? 0 或 1 次、{n,m} 区间

4. 贪婪 vs 非贪婪

默认量词是贪婪的，会尽量多吃；加 ? 变非贪婪。

import re
 
html = "<b>标题</b><i>副标题</i>"
print(re.findall(r"<b>(.*)</b>", html))     # ['标题']
print(re.findall(r"<.*>", html))            # 贪婪：['<b>标题</b><i>副标题</i>']
print(re.findall(r"<.*?>", html))           # 非贪婪：['<b>', '</b>', '<i>', '</i>']

5. 替换与编译

re.sub 做替换；频繁使用的模式用 re.compile 预编译提速。

import re
 
# 把手机号中间四位打码
masked = re.sub(r"(\d{3})\d{4}(\d{4})", r"\1****\2", "13800138000")
print(masked)             # 138****8000
 
# 预编译：循环里反复用同一模式时更高效
pattern = re.compile(r"\d+")
print(pattern.findall("a1b22c333"))         # ['1', '22', '333']
⚠️危险的正则回溯

类似 (a+)+$ 这种嵌套量词遇到不匹配的长字符串会指数级回溯，可能拖垮服务（ReDoS 风险）。对用户输入务必限制长度或改用朴素字符串处理。

小结

  • ✅ re.search / re.match / re.fullmatch 三种匹配粒度
  • ✅ () 分组 + group() 提取，(?P<name>...) 命名分组更好维护
  • ✅ 量词 * + ? {n,m}，. 匹配任意字符
  • ✅ 贪婪默认吃最多，加 ? 变非贪婪
  • ✅ re.sub 替换、re.compile 预编译提速
  • ✅ 警惕嵌套量词导致的回溯爆炸（ReDoS）

下一章 datetime 与时区：正确处理日期、时间与时区。