Python的re模块：正则表达式处理的魔法棒

Python的re模块：正则表达式处理的魔法棒

对话实录

小白：（发愁）我想从一大段文本里找出所有邮箱地址，手动找太费劲了，有没有简便方法？

专家：（挥舞魔法棒）用 Python 的re模块，轻松实现文本的搜索、匹配与替换！不过，要想用好它，得先掌握正则表达式的基础知识。

正则表达式基础知识

正则表达式作为高级的文本模式匹配、抽取、和搜索。简单地说，正则表达式（简称为 regex）是一些由字符和特殊符号组成的字符串，按照设定的匹配逻辑能够匹配一系列有相似特征的字符串。

常用到到的表达式符号如下，将不同的符号组合为正则表达式。

举例：正则表达式中，普通字符会精确匹配自身。比如要匹配字符串 “hello” 中的 “h”，直接用 “h” 就能匹配。

import re
text = "hello"
match = re.search('h', text)
if match:
  print("匹配成功")

特殊字符在正则里有特定含义，不能直接匹配其字面意思。像\就是特殊字符，若要匹配反斜杠，需写成\\。

re模块基础入门

1 常用函数速查表

2. 简单匹配

re模块中的search函数可在字符串中搜索匹配的模式。假设我们要在一段文本中查找 “apple”：

import re
text = "I have an apple and a banana."
match = re.search('apple', text)
if match:
   print("找到了！位置是从", match.start(), "到", match.end())
# 输出：找到了！位置是从 7 到 12

这里re.search就像在文本 “大海” 里捞 “apple” 这根 “针”，一旦找到，就能告诉你它的位置。

3. 使用正则表达式

正则表达式是re模块的核心，它能定义更复杂的匹配模式。比如匹配一个简单的电话号码格式（三位数字 - 四位数字）：

phone_pattern = r'\d{3}-\d{4}'
phone_text = "联系电话：123-4567"
phone_match = re.search(phone_pattern, phone_text)
if phone_match:
  print("匹配到电话号码:", phone_match.group())
# 输出：匹配到电话号码: 123-4567

\d表示数字，{3}和{4}分别表示前面的字符（数字）重复 3 次和 4 次，这样就精准匹配到了目标电话号码格式。

常用功能及案例

案例 1：提取邮箱地址

实际应用中，从文本提取邮箱地址很常见。

email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
text_with_email = "我的邮箱是example@domain.com，有事联系。"
email_match = re.search(email_pattern, text_with_email)
if email_match:
  print("提取到的邮箱:", email_match.group())
# 输出：提取到的邮箱: example@domain.com

这个正则表达式通过\b单词边界确保匹配的是完整邮箱，[A-Za-z0-9._%+-]+匹配邮箱名部分，@后面匹配域名部分。

案例 2：替换文本

re模块的sub函数可用于替换匹配到的文本。比如将一段文本中的所有数字替换为 “X”：

text_with_nums = "我今年25岁，有3只猫。"
new_text = re.sub(r'\d+', 'X', text_with_nums)
print(new_text)
# 输出：我今年X岁，有X只猫。

\d+表示匹配一个或多个数字，re.sub将这些数字全部替换为 “X”。

案例 3：分割文本

re模块的split函数能按指定模式分割字符串。例如，按逗号和空格分割句子：

sentence = "苹果, 香蕉, 橙子, 葡萄"
fruits = re.split(r',\s*', sentence)
print(fruits)
# 输出：['苹果', '香蕉', '橙子', '葡萄']

r',\s*'这个模式表示匹配逗号及后面可能存在的 0 个或多个空格，以此来分割句子得到水果列表。

闭坑指南

正则表达式书写错误

正则表达式语法复杂，一个小错误就可能导致匹配失败。比如想匹配一个整数，错误地写成\d（只匹配一个数字），而正确的应该是\d+（匹配一个或多个数字）。

# 错误示范，只能匹配一个数字
num_pattern_wrong = r'\d'
num_text = "12345"
wrong_match = re.search(num_pattern_wrong, num_text)
if wrong_match:
  print("错误匹配:", wrong_match.group())
else:
  print("未匹配到完整数字")
# 输出：未匹配到完整数字

# 正确示范
num_pattern_right = r'\d+'
right_match = re.search(num_pattern_right, num_text)
if right_match:
  print("正确匹配:", right_match.group())
# 输出：正确匹配: 12345

务必仔细检查正则表达式语法，可借助在线正则表达式测试工具辅助调试。

贪婪与非贪婪模式混淆

正则表达式默认是贪婪模式，会尽可能多地匹配。比如.*会匹配尽可能长的字符串。如果想匹配最短的字符串，要用非贪婪模式.*?。

html_text = "
内容1
内容2
"
# 贪婪模式，会匹配整个文本
greedy_match = re.search(r'
.*
', html_text)
if greedy_match:
  print("贪婪匹配:", greedy_match.group())
# 输出：贪婪匹配: 
内容1
内容2


# 非贪婪模式，只匹配第一个div内容
non_greedy_match = re.search(r'
.*?
', html_text)
if non_greedy_match:
  print("非贪婪匹配:", non_greedy_match.group())
# 输出：非贪婪匹配: 
内容1

忽略转义字符

在正则表达式中，一些字符有特殊含义，如\。如果要匹配这些特殊字符本身，需要进行转义。例如匹配路径中的反斜杠\，要写成\\。

path = "C:\Program Files\Python"
# 错误示范，未转义反斜杠，会导致语法错误
# path_pattern_wrong = r'C:\Program Files\Python'

# 正确示范，转义反斜杠
path_pattern_right = r'C:\\Program Files\\Python'
right_match = re.search(path_pattern_right, path)
if right_match:
  print("正确匹配路径:", right_match.group())

注意特殊字符的转义，确保正确匹配。

专家工具箱

1. 分组与捕获

使用括号()可以对正则表达式进行分组，捕获匹配的内容。比如从一个包含姓名和年龄的字符串中分别提取姓名和年龄：

info_pattern = r'(\w+)\s+(\d+)'
info_text = "Alice 25"
match = re.search(info_pattern, info_text)
if match:
  name = match.group(1)
  age = match.group(2)
print("姓名:", name, "年龄:", age)
# 输出：姓名: Alice 年龄: 25

这里(\w+)捕获姓名，(\d+)捕获年龄，方便后续分别处理。

2. 预编译正则表达式

对于需要多次使用的正则表达式，预编译可以提高效率。

email_pattern = re.compile(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b')
texts = ["邮箱1: test1@example.com", "邮箱2: test2@domain.net"]
for text in texts:
  match = email_pattern.search(text)
  if match:
    print("提取到邮箱:", match.group())

re.compile将正则表达式编译成对象，后续使用该对象进行匹配比每次都使用re.search效率更高。

3. 零宽断言

零宽断言用于在不匹配具体字符的情况下，断言某个位置满足特定条件。比如匹配以数字结尾的单词，但不捕获数字：

pattern = r'\w+(?=\d)'
text = "苹果1 香蕉2 橙子"
matches = re.findall(pattern, text)
print(matches)
# 输出：['苹果', '香蕉']

(?=\d)是正向零宽断言，表示前面的单词后面必须跟着一个数字，但数字不被匹配。

小白：（眼睛放光）原来re模块这么强大，能解决这么多文本处理难题！

专家：（微笑）记住：掌握re模块，文本处理将变得高效且精准！