Python 正则表达式基础与 re 模块核心用法

Python 正则表达式基础与 re 模块核心用法

正则表达式（Regular Expression）是用于描述文本匹配规则的通用语言。Python 内置的 re 模块提供了完整的正则引擎支持，能够将复杂的文本查找、验证与替换逻辑转化为简洁的代码。

第1步：掌握基础匹配规则

正则表达式的核心在于字符集合与量词的配合。常用基础语法如下：

• .：匹配除换行符外的任意单个字符。例如 .ython 可匹配 python 或 fython。
• [pj]：字符集，匹配括号内任意一个字符。
• [^abc]：反转字符集，匹配不在括号内的任意字符。
• |：选择符，表示“或”的关系，如 a|b 匹配 a 或 b。
• ?：使左侧元素变为可选（出现 0 次或 1 次）。
• *、+、{m, n}：分别表示重复 0 次或多次、1 次或多次、m 到 n 次（默认贪婪模式）。

使用反斜杠 \ 可对元字符进行转义。例如 python\.org 将严格匹配字面量的网址后缀而非任意字符。

第2步：理解边界控制与预定义字符

精确匹配往往需要借助锚点与快捷字符组：

• ^ 与 $：分别匹配字符串的开头与结尾。
• \b 与 \B：匹配与非单词边界（分界处指字母、数字、下划线与常规空格之间）。
• \d、\w、\s：等价于 [0-9]、[a-zA-Z0-9_] 及空白字符 [\t\n\r\f]。组合首字母大写即为非匹配组。
• (re)：捕获组，可将匹配结果单独提取供后续引用或反向分组调用。

re 模块关键函数实操

第3步：定位文本匹配——match 与 search

两者均返回匹配对象或 None，但扫描范围存在本质区别：

• re.match(pattern, string)：仅从字符串起始位置尝试匹配。若首部结构不符则直接返回 None，不会向后扫描。
• re.search(pattern, string)：扫描整个字符串，返回第一个成功匹配的片段对象。

import re
text = "www.runoob.com"

# match 仅在开头匹配
print(re.match("www", text).span())   # 输出: (0, 3)
print(re.match("com", text))          # 输出: None

# search 可在任意位置匹配
print(re.search("www", text).span())  # 输出: (0, 3)
print(re.search("com", text).span())  # 输出: (11, 14)

执行上述代码时，若需获取匹配的确切坐标，可通过返回对象的 .span() 方法查看起始与结束索引。若匹配失败，调用该方法前需先判空。

第4步：字符串替换与清理——sub

re.sub(pattern, repl, string) 可用于将所有符合模式的子串替换为指定内容。常用于日志清洗、隐私脱敏或格式标准化：

import re
phone_info = "2004-959-559 # This is Phone Number"

# 删除 Python 风格的行尾注释
num_clean = re.sub(r"#.*$", "", phone_info)
print("Cleaned Text:", num_clean)

# 移除所有非数字字符
only_digits = re.sub(r"\D", "", phone_clean)
print("Digits Only:", only_digits)

第5步：模式编译优化——compile

当同一正则规则需在循环或高频调用中反复使用时，直接使用顶层函数会引发重复的语法解析开销。应先用 re.compile(pattern) 预加载为正则表达式对象，再调用其实例方法：

import re
pattern_obj = re.compile(r"\d{3}-\d{3}")
result = pattern_obj.search("Call 123-456 or 789-012")
print(result.group())  # 输出: 123-456

编译后的对象同时提供 search、match、findall 等方法，业务逻辑与顶层函数完全一致，但运行效率更高且代码可读性更强。

以上就是 Python 正则表达式基础与 re 模块核心用法的详细内容，更多关于 Python 文本处理与自动化清洗的资料请关注本站其它相关文章！