目錄

1. 前言

2. 正則表達式的基本概念

2.1 什么是正則表達式？

2.2 常用元字符

3. re庫的適應場景

3.1?驗證用戶輸入

3.2?從文本中提取信息

3.3?文本替換與格式化

3.4?分割復雜字符串

3.5?數據清洗與預處理

4. re庫的核心功能詳解

4.1?re.match()：從字符串開頭匹配

4.2?re.search()：在字符串中搜索匹配

4.3?re.findall()：查找所有匹配項

4.4?re.finditer()：返回迭代器對象

5.5?re.sub()：替換匹配項

4.6?re.split()：分割字符串

4.7?編譯正則表達式

4.8?使用組提取特定信息

4.9?非貪婪匹配

5. 常見正則表達式模板

5.1?驗證郵箱

5.2?驗證手機號

5.3?匹配URL

5.4?提取日期

5.5?匹配HTML標簽

6. 性能優化技巧

6.1 編譯正則表達式

6.2?使用非捕獲組

6.3?選擇合適的匹配模式

6.4?預處理正則表達式

7. 總結

---

1. 前言

在數據處理、文本分析和自動化開發等場景中，文本處理是Python開發者最常面對的任務之一。想象一下，當你需要從用戶輸入中驗證郵箱格式、從日志文件中提取錯誤信息、或從網頁HTML中抓取特定數據時，手動逐字符檢查和提取效率低且容易出錯。Python的re庫提供了強大的正則表達式支持，它就像一把瑞士軍刀，能夠優雅地解決各種復雜文本處理任務。本文將深入淺出地介紹re庫的基本概念、適應場景和實戰技巧，幫助你掌握這門文本處理的藝術。

2. 正則表達式的基本概念

2.1 什么是正則表達式？

正則表達式（Regular Expression，簡稱Regex）是一種文本模式描述語言，用于定義具有特定格式的字符串規則。它如同數學中的方程式，但操作對象是文本模式而非數值。

例如：

• a 匹配字符a

• a+ 匹配一個或多個連續的a

• a? 匹配零個或一個a

• a|b 匹配a或b

• ^start 匹配以start開頭的字符串

• end$ 匹配以end結尾的字符串

2.2 常用元字符

正則表達式的強大來自于元字符（具有特殊含義的字符），以下是常用元字符及其含義：

元字符	含義	示例
.	匹配任意單個字符（除換行符）	a.b?匹配 aXb
*	匹配前面的子表達式0次或多次	ab*?匹配 a, ab, abb
+	匹配前面的子表達式1次或多次	ab+?匹配 ab, abb
?	匹配前面的子表達式0次或1次	ab?c?匹配 ac 或 abc
[]	匹配指定范圍內的任意字符	[a-z]?匹配小寫字母
^	匹配字符串開頭或排除指定字符	^hello?匹配以hello開頭的字符串
$	匹配字符串結尾	world$?匹配以world結尾的字符串
\d	匹配任意數字	\d{3}?匹配三位數字
\w	匹配字母、數字或下劃線	\w+?匹配連續的單詞字符
\s	匹配任意空白字符	\s+?匹配一個或多個空格

3. re庫的適應場景

3.1?驗證用戶輸入

import redef validate_email(email):pattern = r'^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$'return re.match(pattern, email) is not Noneprint(validate_email("test@example.com"))  # True
print(validate_email("invalid_email@"))    # False

3.2?從文本中提取信息

text = "Contact us at contact@example.com or support@site.org"# 提取所有郵箱地址
emails = re.findall(r'[\w.-]+@[\w.-]+', text)
print(emails)  # ['contact@example.com', 'support@site.org']

3.3?文本替換與格式化

text = "The price is $100.50 and the discount is $20"# 將價格轉換為中文格式
formatted_text = re.sub(r'\$(\d+\.?\d*)', r'￥\1', text)
print(formatted_text)  # The price is ￥100.50 and the discount is ￥20

3.4?分割復雜字符串

text = "apple,orange;banana grape"# 使用多種分隔符分割
fruits = re.split(r'[;,,\s]\s*', text)
print(fruits)  # ['apple', 'orange', 'banana', 'grape']

3.5?數據清洗與預處理

text = "  Hello   World  This is   Python  "# 去除多余空格并分割單詞
clean_words = re.sub(r'\s+', ' ', text).strip().split()
print(clean_words)  # ['Hello', 'World', 'This', 'is', 'Python']

4. re庫的核心功能詳解

4.1?re.match()：從字符串開頭匹配

pattern = r'^Hello'
text = "Hello World!"match_obj = re.match(pattern, text)
if match_obj:print("Match found:", match_obj.group())  # Match found: Hello
else:print("No match")

4.2?re.search()：在字符串中搜索匹配

pattern = r'World'
text = "Hello World!"search_obj = re.search(pattern, text)
if search_obj:print("Search found:", search_obj.group())  # Search found: World
else:print("Not found")

4.3?re.findall()：查找所有匹配項

text = "The rain in Spain stays mainly in the plain"
pattern = r'ain'matches = re.findall(pattern, text)
print(matches)  # ['ain', 'ain', 'ain']

4.4?re.finditer()：返回迭代器對象

text = "The rain in Spain stays mainly in the plain"
pattern = r'ain'for match in re.finditer(pattern, text):print(f"Found '{match.group()}' at position {match.start()}")

5.5?re.sub()：替換匹配項

text = "Hello World"
pattern = r'World'
replacement = "Python"new_text = re.sub(pattern, replacement, text)
print(new_text)  # Hello Python

4.6?re.split()：分割字符串

text = "apple, orange; banana grape"
pattern = r'[;,]\s*'result = re.split(pattern, text)
print(result)  # ['apple', 'orange', 'banana grape']

4.7?編譯正則表達式

pattern = re.compile(r'\d+')text1 = "There are 123 apples"
text2 = "And 456 oranges"print(pattern.findall(text1))  # ['123']
print(pattern.findall(text2))  # ['456']

4.8?使用組提取特定信息

text = "John Doe: john.doe@example.com"pattern = r'(\w+) (\w+): (\S+)'match = re.match(pattern, text)
if match:first_name, last_name, email = match.groups()print(f"First Name: {first_name}")  # First Name: Johnprint(f"Last Name: {last_name}")    # Last Name: Doeprint(f"Email: {email}")            # Email: john.doe@example.com

• (\S+): 匹配冒號后面的非空白字符（如 john.doe@example.com），捕獲為 email。

4.9?非貪婪匹配

text = "<div><p>Hello</p><span>World</span></div>"# 貪婪匹配
print(re.findall(r'<div>.*</div>', text))  # ['<div><p>Hello</p><span>World</span></div>']# 非貪婪匹配
print(re.findall(r'<div>.*?</div>', text))  # ['<div><p>Hello</p><span>World</span>']

5. 常見正則表達式模板

5.1?驗證郵箱

email_pattern = r'^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$'

5.2?驗證手機號

phone_pattern = r'^1[3-9]\d{9}$'  # 中國手機號

1. \d{9}：匹配 9 個任意數字。\d 表示任意一個數字（0-9），{9} 表示前面的表達式（這里是指 \d）必須連續出現 9 次。

5.3?匹配URL

url_pattern = r'https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+'  # 簡化版URL匹配

5.4?提取日期

date_pattern = r'\b(19|20)\d\d[-/.](0[1-9]|1[0-2])[-/.](0[1-9]|[12][0-9]|3[01])\b'

5.5?匹配HTML標簽

html_tag_pattern = r'<(\w+)(?:\s+[^>]*)?>.*?</\1>'  # 匹配成對標簽

6. 性能優化技巧

6.1 編譯正則表達式

# 不編譯
for text in large_text_list:re.findall(pattern, text)# 編譯后（推薦）
compiled_pattern = re.compile(pattern)
for text in large_text_list:compiled_pattern.findall(text)

6.2?使用非捕獲組

# 普通組
pattern = r'(\d+)-(\d+)'# 非捕獲組（提高性能）
pattern = r'\d+-(?:\d+)'

6.3?選擇合適的匹配模式

# 貪婪匹配可能導致性能問題
pattern = r'.*'# 使用更精確的模式
pattern = r'\w+'

6.4?預處理正則表達式

# 預處理
patterns = {'email': re.compile(r'^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$'),'phone': re.compile(r'^1[3-9]\d{9}$')
}# 使用時直接調用
if patterns['email'].match(user_input):# 處理郵箱pass

7. 總結

Python的re庫為我們提供了強大的文本處理能力，通過正則表達式，我們可以輕松應對各種復雜的文本匹配、提取、替換和驗證任務。從簡單的字符串檢查到復雜的模式匹配，re庫都能提供高效的解決方案。在實際開發中，合理使用正則表達式可以大大簡化代碼邏輯，提高程序的魯棒性和可維護性。

然而，正則表達式的強大也意味著復雜性，設計不當的正則表達式可能導致性能問題甚至安全漏洞（如ReDoS攻擊）。因此，在使用re庫時，我們應遵循以下原則：

1. 務必保持正則表達式的可讀性，必要時添加注釋

2. 對于復雜的正則表達式，考慮使用reVERBOSE模式添加注釋

3. 測試各種可能的輸入情況，確保正則表達式的行為符合預期

4. 在處理大量數據時，注意性能優化，編譯正則表達式并合理使用非捕獲組

掌握re庫不僅是一項技術技能，更是一種思維模式。它教會我們如何用模式化的思維分析問題、如何用最簡潔的方式表達復雜的規則、以及如何在精確性和性能之間找到平衡。希望本文能幫助你深入理解Python的re庫，讓你在文本處理的戰場上如虎添翼。我是橙色小博，關注我，一起在人工智能領域學習進步！