Python正则表达式入门：re标准库的核心语法与实例

一、Python 正则执行机制与原生字符串规则

在Python中使用正则表达式，本质是由 re 引擎将编写的模式字符串（Pattern）解析为底层状态机，随后在目标字符串（Text）中滑动扫描，并返回包含匹配位置与内容的 Match 对象。

编写正则表达式模式时，首要准则就是始终使用原生字符串（Raw String，即前缀 r"..."）。原因在于Python解释器本身会对常规字符串中的反斜杠进行一次转义解析，而正则表达式引擎又需要通过反斜杠识别特殊字符（例如 \d 或 ）。如果使用普通字符串，匹配一个文本中的真实反斜杠字符 \ 需要编写四个反斜杠 "\\"；使用原生字符串 r"\" 则能彻底关闭Python层面的转义干扰，保持代码与正则语法的一致性。

典型的执行生命周期由五个节点构成：模式书写、编译载入、检索扫描、有效性验证与数值提取。执行检索后，必须先判断返回值是否为 None，随后才能调用 .group() 提取结果，否则在没有匹配项时会抛出 AttributeError。

二、核心元字符分类与语法规则

正则表达式的语法虽然丰富，但整体上可以划分为四大核心支柱：字符匹配符、位置锚点、量词限定符以及分组逻辑。分类掌握各组符号的作用范围，能迅速建立模式构造的直觉。

1. 字符匹配与集合

字符匹配符定义了单个字符位的取值规则：

• .：匹配除换行符 外的任意单个字符。若设置了 re.DOTALL 标志位，则可匹配包含换行符在内的所有字符。
• \d 与 \D：\d 匹配任意单个数字字符（等价于 [0-9]），大写的 \D 则匹配非数字。
• \w 与 \W：\w 匹配字母、数字及下划线，\W 匹配非单词字符。在Python 3中，默认包含Unicode字符。
• \s 与 \S：\s 匹配任意空白符（包括空格、制表符 、换行符 等）。
• [abc] 与 [^abc]：方括号定义字符集合，只匹配其中列出的任一字符；若方括号首位为脱字符 ^，则表示排除集合内字符。

2. 位置锚点：不消耗字符的边界判断

与普通字符不同，位置锚点不占据任何字符宽度，它们仅负责核验当前匹配光标所处的物理边界：

• ^ 与 $：分别限定字符串的起始与结尾。如果启用多行模式 re.MULTILINE，它们将分别匹配每一行的开头与行末。
• ：匹配单词边界，即 \w 与 \W（或字符串起止）的交界缝隙。例如用 r"cat" 检索时，可以精准命中独立的 cat，而排除 category 或 concatenate。

3. 数量限定符（量词）

限定符修饰紧挨其左侧的前置表达式，决定其出现的频次：

• *：匹配 0 次或多次（出现或不出现均可）。
• +：匹配 1 次或多次（至少出现 1 次）。
• ?：匹配 0 次或 1 次（常用于修饰可选元素，如 https? 兼容 http 与 https）。
• {n}、{m,n}：明确指定出现次数区间，如 \d{4} 严格匹配连续 4 位数字。

三、贪婪模式与非贪婪（惰性）机制

在默认情况下，所有的重复量词（*、+、{m,n}）都是贪婪（Greedy）的。这意味着正则引擎会在保证整个模式能够匹配的前提下，尽可能多地吞食输入字符，直到遭遇终止符号，必要时再进行回溯。

在解析嵌套结构或成对标签（如HTML/XML或括号文本）时，贪婪匹配极易导致越界吞食。只需在量词后紧跟一个问号（*?、+?、??、{m,n}?），即可将其转换为非贪婪（惰性）模式，使引擎在命中第一个合法终止条件时立即完成匹配。

通过一段代码可以直观验证两者的差异：

# 环境：Python 3.6+ 标准库交互环境
import re

html_doc = "<div>First Article</div><div>Second Article</div>"

# 1. 贪婪匹配：.* 尽可能长地捕获
greedy_result = re.findall(r"<div>.*</div>", html_doc)
print("贪婪模式结果:", greedy_result)

# 2. 非贪婪匹配：.*? 遇到首个闭合标签立即截断
lazy_result = re.findall(r"<div>.*?</div>", html_doc)
print("非贪婪模式结果:", lazy_result)

四、分组捕获与结构化数据提取

使用圆括号 () 可以把模式拆解为多个逻辑单元。括号不仅能限定量词的作用域，还能将匹配结果分割保存到独立的分组中。

1. 普通捕获组与索引获取

使用 () 括起目标部分，匹配成功后，match.group(0) 返回完整匹配文本，match.group(1) 返回第 1 个括号内的内容，以此类推；match.groups() 则返回包含所有捕获组的元组。

2. 命名捕获组：增强代码健壮性

当正则表达式包含多个捕获组时，依赖数字索引（如 group(3)）容易因模式后续改动而错位。使用 (?P<name>...) 可以为分组显式命名，并通过 match.group("name") 或 match.groupdict() 直接提取为 Python 字典。

import re

log_line = "2026-10-30 18:25:40 [ERROR] Connection timed out (client: 192.168.1.104)"

pattern = r"(?P<timestamp>\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) \[(?P<level>[A-Z]+)\] (?P<msg>.*) \(client: (?P<ip>[\d\.]+)\)"

match = re.search(pattern, log_line)
if match:
    data = match.groupdict()
    print("提取字典:", data)
    print("单独获取IP:", match.group("ip"))

3. 非捕获组 (?:...)

如果仅仅需要将若干字符组合起来应用量词或分支选择（例如 (?:http|https)://），但不需要单独从结果中抽取该段子文本，应在括号起始加上 ?:。非捕获组不会分配分组编号，能显著减轻正则引擎在回溯时的内存开销。

五、re 标准库常用核心函数速查与选型

Python标准库 re 提供了功能明确的顶级函数。选型不当（例如在需要全文本搜索时误用 re.match）是导致初学者代码返回 None 的最高发原因。

1. 全文搜索 re.search() 与首部匹配 re.match()

核心区别：re.match() 强制要求匹配必须从字符串的第一个字符（索引 0）开始成立，否则直接返回 None；而 re.search() 会在全文中由前向后滑动扫描，返回首次命中的位置。在绝大多数非全字段验证的场景中，应优先使用 re.search()。

import re

text = "系统提示: 订单编号 20268891 支付成功"

# match 失败：因为字符串起始是 "系统提示"，非数字
print("match 结果:", re.match(r"\d+", text))

# search 成功：扫描全文找到首个连续数字
search_res = re.search(r"\d+", text)
print("search 结果:", search_res.group() if search_res else "未找到")

2. 多项提取：re.findall() 与 re.finditer()

re.findall() 一次性遍历全文，将所有互不重叠的匹配内容作为 list 返回。如果模式中包含多个捕获组，它会返回一个由元组构成的列表。

面对数十兆的大型文本或日志文件时，一次性生成列表会占用大量内存。此时应改用 re.finditer()，它返回一个生成器，逐个生成 Match 对象，不仅节省内存，还能通过 .start() 和 .end() 精确掌握每个匹配项在原文中的字符偏移量。

3. 正则替换与数据清洗：re.sub()

re.sub(pattern, repl, string, count=0) 将匹配到的内容替换为指定文本。repl 不仅可以是一个固定字符串，还可以传入一个回调函数，实现精细的动态清洗计算。

import re

phone_record = "用户A: 13812345678, 用户B: 15987654321"

# 将手机号中间 4 位替换为星号脱敏
masked = re.sub(r"(\d{3})\d{4}(\d{4})", r"\g<1>****\g<2>", phone_record)
print("脱敏结果:", masked)

4. 性能优化：re.compile() 的使用时机

在批量处理数万行数据或在循环体内部使用正则时，如果每次迭代都调用 re.search()，虽然 re 模块内部自带小型 LRU 缓存，但直接使用 pattern = re.compile(r"...") 将模式预先编译为 Pattern 对象，能够省去重复的缓存查表与正则词法解析损耗，代码结构也更为清晰。

六、新手高频陷阱与注意事项

结语

正则表达式不是孤立的记忆游戏，而是基于有限状态自动机的模式匹配工具。掌握 r"" 原生字符串规范、理解贪婪与惰性的截断机制、善用命名捕获组提取结构化数据，并在 search、finditer 与 sub 之间做出恰当选型，就能以极高的一致性解决绝大部分Python文本处理难题。