Python 正则表达式基础与实战指南

2.2 search 函数

re.search() 与 match() 工作方式类似，但它不是从最开始匹配，而是扫描整个字符串，查找第一次匹配的内容。

语法：

re.search(pattern, string, flags=0)

示例：

import re

line = 'i can speak good english'
matchObj = re.search('(.*) (.*?) (.*)', line)
if matchObj:
    print('matchObj.group() :', matchObj.group())
    print('matchObj.group(1) :', matchObj.group(1))
    print('matchObj.group(2) :', matchObj.group(2))
    print('matchObj.group(3) :', matchObj.group(3))
else:
    print('no match!')

2.3 sub 函数

re.sub() 是正则表达式中最常用的函数之一，用于替换匹配到的子串。

语法：

re.sub(pattern, repl, string, count=0)

参数说明：

• pattern: 正则表达式。
• repl: 替换后的字符串或函数。
• string: 原始字符串。
• count: 最大替换次数，默认为 0（替换所有）。

示例：

import re

line = 'i can speak good english'
speak = re.sub(r'can', 'not', line)
print(speak)  # 输出：i not speak good english

speak1 = re.sub(r'\s', '', line)  # 替换所有空格
print(speak1)  # 输出：ican speakgoodenglish

2.4 findall 与 finditer

• findall(): 返回包含所有非重叠匹配项的列表。
• finditer(): 返回一个迭代器，生成匹配对象。

import re

line = 'abc123def456'
pattern = r'\d+'
matches = re.findall(pattern, line)
print(matches)  # 输出：['123', '456']

for match in re.finditer(pattern, line):
    print(match.group(), match.span())

3 特殊类语法详解

3.1 字符类

字符类用于匹配一组字符中的任意一个。

• [abc]: 匹配 a、b 或 c。
• [^abc]: 匹配除 a、b、c 以外的字符。
• [a-z]: 匹配小写字母。
• [A-Z0-9]: 匹配大写字母或数字。

3.2 预定义字符类

• \d: 匹配任意数字，等价于 [0-9]。
• \D: 匹配任意非数字字符。
• \w: 匹配字母、数字或下划线，等价于 [a-zA-Z0-9_]。
• \W: 匹配非单词字符。
• \s: 匹配任意空白字符（空格、制表符、换行等）。
• \S: 匹配任意非空白字符。

3.3 重复匹配量词

• *: 匹配前一个字符 0 次或多次。
• +: 匹配前一个字符 1 次或多次。
• ?: 匹配前一个字符 0 次或 1 次。
• {n}: 精确匹配 n 次。
• {n,}: 至少匹配 n 次。
• {n,m}: 匹配 n 到 m 次。

3.4 非贪婪匹配

默认情况下，量词是贪婪的（尽可能多地匹配）。添加 ? 可使其变为非贪婪（尽可能少地匹配）。

• .*: 贪婪匹配任意字符。
• .*?: 非贪婪匹配任意字符。

import re

text = '<div>content</div>'
print(re.search('<.*>', text).group())   # 输出：<div>content</div>
print(re.search('<.*?>', text).group())  # 输出：<div>

3.5 分组与捕获

圆括号 () 用于分组，同时捕获匹配内容以便后续引用。

• (abc): 捕获组。
• (?:abc): 非捕获组，仅分组不捕获。

import re

pattern = r'(\d{4})-(\d{2})-(\d{2})'
match = re.match(pattern, '2023-10-01')
print(match.group(1))  # 2023
print(match.groups())  # ('2023', '10', '01')

3.6 反向引用

在替换或匹配中引用之前捕获的组。

• \1: 引用第一个捕获组。
• \g<1>: 更安全的引用方式。

3.7 锚点

指定匹配的位置。

• ^: 匹配字符串开头。
• $: 匹配字符串结尾。
• \b: 匹配单词边界。

import re

print(re.match('^Hello', 'Hello World'))  # 匹配
print(re.search('World$', 'Hello World')) # 匹配

3.8 编译正则表达式

对于重复使用的正则表达式，建议使用 re.compile() 提高性能。

import re

pattern = re.compile(r'\d+')
result = pattern.findall('abc123def456')
print(result)  # ['123', '456']

4 常用标志位 (Flags)

• re.I / re.IGNORECASE: 忽略大小写。
• re.M / re.MULTILINE: 多行模式，^ 和 $ 匹配每行的首尾。
• re.S / re.DOTALL: 让 . 匹配包括换行符在内的所有字符。
• re.X / re.VERBOSE: 允许在正则表达式中添加注释和空格以提高可读性。

import re

pattern = re.compile(r'^hello', re.I)
print(pattern.match('HELLO'))  # 匹配

5 最佳实践与注意事项

1. 转义字符: 在 Python 字符串中，反斜杠需要转义，建议使用原始字符串 r''。
2. 性能优化: 避免过度复杂的回溯，尽量使用非贪婪匹配减少计算量。
3. 安全性: 处理用户输入时注意防止 ReDoS（正则表达式拒绝服务攻击）。
4. 可读性: 复杂正则应配合注释或使用 re.VERBOSE 标志。

6 总结

Python 的 re 模块功能强大且灵活。掌握 match、search、sub 等核心函数，理解字符类、量词、分组及锚点的用法，能够高效解决绝大多数文本处理问题。在实际开发中，建议结合具体场景选择合适的匹配策略，并注意代码的可维护性。