Python 正则表达式详解与实战案例

• *：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}：匹配前一个字符恰好 n 次。
• {n,}：匹配前一个字符至少 n 次。
• {n,m}：匹配前一个字符至少 n 次，至多 m 次。

例如：表达式 \d+\.?\d* 在匹配 It costs $12.5 时，匹配的结果是：成功；匹配到的内容是：12.5；匹配到的位置是：开始于 10，结束于 14。

（6）一些代表抽象意义的特殊符号

• ^：匹配字符串的开始位置。
• $：匹配字符串的结束位置。
• |：表示'或'，匹配左边或右边的表达式。
• ()：分组，将多个字符视为一个整体。
• \s：匹配空白字符（空格、制表符、换行等）。

例 1：表达式 ^aaa 在匹配 xxxaaaxxx 时，匹配失败。因为 ^ 要求与字符串开始的地方匹配，只有当 aaa 位于字符串的开头的时候，^aaa 才能匹配，比如：aaaxxxxxx。

例 2：表达式 aaa$ 在匹配 xxxaaaxxx 时，匹配失败。因为 $ 要求与字符串结束的地方匹配，只有当 aaa 位于字符串的结尾的时候，aaa$ 才能匹配，比如：xxxxxxaaa。

例 3：表达式 Tom|Jack 在匹配字符串 I'm Tom, he is Jack 时，匹配结果是：成功；匹配到的内容是：Tom；匹配下一个时，匹配结果是：成功；匹配到的内容是：Jack。

例 4：表达式 (go\s*)+ 在匹配 Let's go gogo! 时，匹配结果是：成功；匹配到内容是：gogogo；匹配到的位置是：开始于 6，结束于 14。

例 5：表达式 ￥(\d+\.?\d*) 在匹配 ＄10.9,￥20.5 时，匹配的结果是：成功；匹配到的内容是：￥20.5；匹配到的位置是：开始于 6，结束于 10。单独获取括号范围匹配到的内容是：20.5。

思考题

请尝试写出满足下列要求的正则表达式：

1. 仅含 6 位数字的字符串。
2. 18 位身份证号码（最后一位可能包含 X）。
3. 密码（以字母开头，长度在 6~18 之间，只能包含字母、数字和下划线）。

匹配次数中的贪婪与非贪婪

在使用修饰匹配次数的特殊符号时，如 ?, *, + 等，可以使同一个表达式能够匹配不同的次数，具体匹配的次数随被匹配的字符串而定。这种重复匹配不定次数的表达式在匹配过程中，总是尽可能多的匹配，这种匹配原则就叫作"贪婪"模式。

例如，针对文本 dxxxdxxxd，表达式 d.*d 会匹配从第一个 d 到最后一个 d 之间的所有内容，即 dxxxdxxxd。

在修饰匹配次数的特殊符号后再加上一个 ? 号，则可以使匹配次数不定的表达式尽可能少的匹配，使可匹配可不匹配的表达式，尽可能的'不匹配'。这种匹配原则叫作"非贪婪"模式。如果少匹配就会导致整个表达式匹配失败的时候，与贪婪模式类似，非贪婪模式会最小限度的再匹配一些，以使整个表达式匹配成功。

例如，针对文本 dxxxdxxxd，表达式 d.*?d 会匹配 dxxx（第一个 d 到第二个 d）。

Python 中的正则表达式库 - re

re 库是 Python 的标准库，不需要额外安装，主要用于字符串匹配。

调用方式

import re

Raw String 的使用

re 库采用 raw string 类型表示正则表达式，rawstring 是不包含对转义符再次转义的字符串。例如：r'[1-9]\d{5}'。

re 库也可以采用 string 类型表示正则表达式，但更繁琐，例如：'[1-9]\\d{5}'。

当正则表达式包含转义符时，建议使用 raw string。

主要功能函数

1. match(pattern, string, flags=0)：从头开始匹配，返回匹配对象或 None。
2. search(pattern, string, flags=0)：扫描整个字符串，返回第一个匹配对象或 None。
3. findall(pattern, string, flags=0)：返回所有匹配的子串列表。
4. finditer(pattern, string, flags=0)：返回一个迭代器，包含匹配对象。
5. sub(pattern, repl, string, count=0, flags=0)：替换匹配到的子串。
6. split(pattern, string, maxsplit=0, flags=0)：根据正则分割字符串。
7. compile(pattern, flags=0)：编译正则表达式对象，提高重复使用的效率。

Group 与 Groups

注意 group() 和 groups() 的区别，一个是返回匹配的字符串，一个是返回各部分匹配内容组成的元组。当表达式中没有圆括号时，groups() 返回的是空元组，当存在圆括号时，有几个圆括号 groups() 返回的元组里就有几个元素。

常用标志 Flags

• re.I (IGNORECASE)：忽略大小写。
• re.M (MULTILINE)：多行模式，改变 ^ 和 $ 的行为。
• re.S (DOTALL)：点号匹配包括换行符在内的所有字符。
• re.X (VERBOSE)：允许注释和空白，提高可读性。

正则表达式实战案例

案例一：验证用户名

编写程序实现下述功能，提示用户输入用户名，要求用户名以字母开头，长度不少于 3 位，只能包含字母、数字、下划线，如果用户输入符合要求，则提示注册成功，否则提示用户名不符合要求，请重新输入，一直循环直到用户名符合要求为止。

参考代码如下：

import re

name = input("请输入用户名，以字母开头，长度不少于 3 位，只能包含字母、数字、下划线:")
# 正则解释：^ 开头，[a-zA-Z] 首字母，\w{2,} 后续至少 2 个字符，$ 结尾
match = re.match(r"^[a-zA-Z]\w{2,}$", name)
while match is None:
    print("用户名不符合要求，请重新输入：", end=" ")
    name = input()
    match = re.match(r"^[a-zA-Z]\w{2,}$", name)
print("恭喜你，{}，注册成功！".format(name))

案例二：提取邮箱地址

从一段文本中提取所有的邮箱地址。

import re

text = "联系邮箱：[email protected] 或 [email protected]"
pattern = r"[a-zA-Z0-9_-]+@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+)+"
emails = re.findall(pattern, text)
for email in emails:
    print(email)

案例三：手机号验证与格式化

验证并格式化中国大陆手机号码。

import re

phone = "13812345678"
# 标准手机号格式：1 开头，第二位 3-9，后面 9 位数字
pattern = r"^1[3-9]\d{9}$"
if re.match(pattern, phone):
    # 格式化输出：138 1234 5678
    formatted = re.sub(r"(\d{3})(\d{4})(\d{4})", r"\1 \2 \3", phone)
    print(f"有效手机号：{formatted}")
else:
    print("无效手机号")

案例四：数据清洗与替换

将文本中的敏感词替换为星号。

import re

text = "这是一个测试文本，包含关键词：隐私、机密、秘密。"
# 使用 sub 进行替换
result = re.sub(r"隐私 | 机密 | 秘密", "***", text)
print(result)

案例五：复杂数据提取（模拟 TIOBE 排行）

假设有一个包含编程语言排名的 HTML 片段，我们需要提取名称和排名。

import re

html_content = "<div class='rank'>1. Python</div><div class='rank'>2. Java</div>"
pattern = r"class='rank'>(\d+)\.\s*(.+?)</div>"
matches = re.findall(pattern, html_content)
for rank, lang in matches:
    print(f"Rank {rank}: {lang}")

最佳实践建议

1. 性能优化：对于频繁使用的正则表达式，建议使用 re.compile() 预编译。
2. 可读性：使用 re.VERBOSE 标志，允许在正则中加入注释和换行，便于维护。
3. 避免过度匹配：尽量使用非贪婪模式 *? 或 +? 防止匹配过多内容导致性能下降或逻辑错误。
4. 边界检查：始终明确匹配的范围，使用 ^ 和 $ 确保匹配的是完整字段而非部分字段。

总结

正则表达式是处理文本的强大工具。通过理解基本规则、掌握 Python re 模块的常用函数，并结合实际场景进行练习，可以高效地完成各种文本处理任务。希望本文的内容能帮助初学者快速入门并应用于实际开发中。