`re`：正则表达式

目录

• 1. 导入
• 2. 四个最常用函数
• 3. compile：重复使用同一个模式
• 4. 常用语法
  • 4.1 字符匹配
  • 4.2 边界
  • 4.3 量词
  • 4.4 分组与引用
  • 4.5 断言（不占字符）
• 5. re.sub 的回调替换
• 6. flags
• 7. 实战：从一段文本里抽取所有邮箱
• 8. 常见误区
• 9. 第三方补充
• 10. 小结

---

正则表达式（Regular Expression）是字符串模式匹配的强大工具。Python 的
re 模块把它完整带到了标准库，并提供匹配、搜索、替换、分割等核心能力。

能用 str 方法就别用正则（如 s.startswith / s.endswith /
s.split）；正则可读性差、维护成本高。能用结构化解析就别用正则
（HTML 用 lxml、JSON 用 json、配置文件用 pyyaml/tomllib）。

---

1. 导入

import re

---

2. 四个最常用函数

函数	作用
re.search(pattern, s)	找第一个匹配，返回 Match 或 None
re.match(pattern, s)	从开头匹配
re.findall(pattern, s)	返回所有匹配（列表）
re.finditer(pattern, s)	返回所有匹配（迭代器）
re.sub(pattern, repl, s)	替换
re.split(pattern, s)	按模式分割

import re

m = re.search(r"cat", "The cat is on the roof.")
if m:
    print(m.group())            # 'cat'
    print(m.start(), m.end())   # 4 7

建议给模式加 r"..." 前缀（原始字符串），避免 \ 转义噩梦。

---

3. compile：重复使用同一个模式

word3 = re.compile(r"\b\w{3}\b")
print(word3.findall("The cat is on the roof."))
# ['The', 'cat', 'the']

re.compile() 后还能直接调用方法（p.search(s)、p.findall(s)），省去
每次解析模式的开销，写库 / 高频场景强烈建议。

---

4. 常用语法

4.1 字符匹配

模式	含义
.	任意字符（除换行）
\d / \D	数字 / 非数字
\w / \W	单词字符 [A-Za-z0-9_] / 非单词字符
\s / \S	空白 / 非空白
[abc]	字符类
[^abc]	排除
[a-z]	范围

4.2 边界

模式	含义
^	字符串开头
$	字符串结尾
\b	单词边界
\B	非单词边界

4.3 量词

模式	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 ~ m 次
*? / +? / ??	非贪婪（尽量少匹配）

4.4 分组与引用

# () 分组，(?P<name>...) 命名分组
m = re.match(r"(?P<year>\d{4})-(?P<month>\d{2})", "2026-08")
m.group("year")         # '2026'
m.group(2)               # '08'（按编号从 1 开始）
m.groupdict()            # {'year': '2026', 'month': '08'}

反向引用：替换时用 \1 / \g<name>：

re.sub(r"(\w+) \1", r"\1", "hello hello world")   # 'hello world'

4.5 断言（不占字符）

模式	含义
(?=...)	正向先行：后面是 …
(?!...)	负向先行：后面不是 …
(?<=...)	正向后顾：前面是 …
(?<!...)	负向后顾：前面不是 …

# 提取以 .py 结尾的单词（不包含 .py）
re.findall(r"\b\w+(?=\.py\b)", "main.py lib.py data.json")
# ['main', 'lib']

---

5. re.sub 的回调替换

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

re.sub(r"\d+", double, "a1 b22 c333")
# 'a2 b44 c666'

比 f-string 写死的复杂替换更灵活。

---

6. flags

标志	含义
re.IGNORECASE / re.I	忽略大小写
re.MULTILINE / re.M	^ / $ 匹配每行
re.DOTALL / re.S	. 匹配换行
re.VERBOSE / re.X	模式里可以写注释 / 空白
re.ASCII / re.A	\w 等只匹配 ASCII

re.search(r"^hello", "Hello world", re.IGNORECASE)        # 匹配

pattern = re.compile(r"""
    (?P<area>\d{3})-
    (?P<first>\d{4})
""", re.VERBOSE)

---

7. 实战：从一段文本里抽取所有邮箱

import re

text = """
请联系 support@example.com 或 sales@foo-bar.co.uk；
无效的如 hello@, @world.com 不会被匹配。
"""

EMAIL = re.compile(r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}")
print(EMAIL.findall(text))
# ['support@example.com', 'sales@foo-bar.co.uk']

“真要 100% 准确请用 email-validator 库”；正则匹配只是“看起来像”。

---

8. 常见误区

• re.match 只匹配开头：要全文搜索请用 re.search。
• 贪婪 vs 非贪婪：.* 会尽量长，匹配错了就改用 .*?。
• 转义混乱：永远是 r"..." 原始字符串写模式。
• 性能：高频匹配一定要 re.compile；re.findall 返回列表，大文本用
  finditer 流式处理。
• 复杂模式拆分：把长正则拆成几行 + re.VERBOSE，可读性会好很多。
• 不要用正则解析 HTML：标签会嵌套，正则很容易写出 bug。用 lxml / BeautifulSoup。

---

9. 第三方补充

• regex：第三方正则库，支持更多特性（递归、模糊匹配等）。
• pyparsing：真正需要写“语法”时用它。
• lark：现代的解析器组合子库。

---

10. 小结

• re 是 Python 标准库的正则；绝大多数字符串匹配问题都能解决。
• 高频匹配 先 compile；长模式用 re.VERBOSE 拆开。
• 分组、命名、断言、回调替换是四个“提升可读性”的关键武器。
• 能用字符串方法 / 库就 别 用正则，别 拿正则解析 HTML。