第5章 5.2 正则表达式入门

🎯 开场 3 分钟：为什么要学这个？

上一章我们学了字符串方法大全，你会用 split() 切字符串、用 replace() 换内容了。但你有没有遇到过这种情况：

• 手机号138-1234-5678，想知道里面有没有"1234"这个数字组合？
• 爬虫抓了一堆网页，想把所有邮箱地址挖出来？
• 日志文件有几千行，想找出所有带"ERROR"的行？

用字符串方法行不行？行，但很麻烦——你得写一堆 if "1234" in 字符串 嵌套循环，代码又臭又长。

正则表达式就是来解决这个问题的：它是一种「描述文本规律」的语言，让你用一行代码，从一堆乱七八糟的文本里，精确定位你想找的内容。

学完这章，你就能：写一个「邮箱猎人」从网页源码里自动提取所有邮箱，或者写一个「敏感词检测器」扫描一篇文章里有没有违禁词。

🧱 基础 25 分钟：核心概念

什么是正则表达式？

说白了：正则表达式就是一张「找文字的藏宝图」。

比如你想在一本书里找所有"以数字开头的电话号码"，你不用挨个看，你可以画一张图："开头是数字，后面是..."，这张图就是正则表达式。

先学会 Import

import re

这行代码干吗的？把正则表达式这个工具箱加载进来。Python 不会自带这个工具箱，必须先 import。

4 个最常用的「侦探」函数

1. re.search() - 找第一个匹配的

类比：像警察抓人，找到第一个符合条件的就收工。

import re

text = "我的手机号是138-1234-5678，你的呢？"
result = re.search(r"\d{3}-\d{4}-\d{4}", text)

if result:
print("找到了:", result.group())
else:
print("没找到")

输出：

找到了: 138-1234-5678

r"\d{3}-\d{4}-\d{4}" 是什么？这就是正则表达式本身，意思是"3个数字-4个数字-4个数字"。

2. re.findall() - 找所有匹配的

类比：像雷达扫描，把所有符合条件的都找出来。

import re

text = """
张三的手机是138-1234-5678，
李四是139-9876-5432，
王五是137-5555-8888。
"""

phones = re.findall(r"\d{3}-\d{4}-\d{4}", text)
print("找到", len(phones), "个手机号:")
for phone in phones:
print(phone)

输出：

找到 3 个手机号:
138-1234-5678
139-9876-5432
137-5555-8888

3. re.match() - 从头匹配

类比：像考试，第一名必须从第一名开始才算数。

import re

text1 = "12345是世界人口"
text2 = "人类历史有12345年"

print("text1:", re.match(r"\d+", text1).group())  # 从头就是数字，匹配成功
print("text2:", re.match(r"\d+", text2))          # 从头不是数字，匹配失败

输出：

text1: 12345
None

重要区别：match() 只看开头，search() 看全文。

4. re.sub() - 替换

类比：像文字整容手术，把符合条件的地方整成别的样子。

import re

text = "我的邮箱是tom@qq.com，别发垃圾邮件到tom@qq.com！"
new_text = re.sub(r"\w+@\w+\.\w+", "[已隐藏邮箱]", text)

print(new_text)

输出：

我的邮箱是[已隐藏邮箱]，别发垃圾邮件到[已隐藏邮箱]！

元字符：正则表达式的 vocabulary

元字符就是正则表达式的"单词"，每个都有特殊含义。

看个例子：

import re

# 找所有数字
print(re.findall(r"\d+", "abc123def456"))

# 找所有字母数字组合
print(re.findall(r"\w+", "hello! world? 123"))

# 找所有空格
print(re.findall(r"\s", "hello world"))

输出：

['123', '456']
['hello', 'world', '123']
[' ']

字符类 [] - 自定义范围

用方括号告诉正则："这些字符里任何一个都行"。

import re

# 找所有元音字母
text = "Python is a great language"
vowels = re.findall(r"[aeiou]", text, re.IGNORECASE)
print("元音字母:", vowels)

# 找所有数字和大写字母
text2 = "A1B2C3"
alphanumeric = re.findall(r"[A-Z0-9]", text2)
print("大写字母和数字:", alphanumeric)

输出：

元音字母: ['o', 'i', 'a', 'e', 'a', 'a', 'u', 'a', 'e']
大写字母和数字: ['A', '1', 'B', '2', 'C', '3']

数量词 - 告诉正则要几个

import re

# 手机号：138开头，后面8位
phones = re.findall(r"138\d{8}", "我的13812345678和13898765432")
print("138开头的手机号:", phones)

# 找出6位数字（可能是邮编）
text = "北京100000，上海200000，广州510000"
postcodes = re.findall(r"\d{6}", text)
print("邮编:", postcodes)

输出：

138开头的手机号: ['13812345678', '13898765432']
邮编: ['100000', '200000', '510000']

分组 () - 提取特定部分

圆括号可以分组，让你只提取你关心的部分。

import re

# 提取日期中的年月日
text = "2024-01-15是重要日子"
match = re.search(r"(\d{4})-(\d{2})-(\d{2})", text)

if match:
print("完整匹配:", match.group())      # 2024-01-15
print("年:", match.group(1))           # 2024
print("月:", match.group(2))           # 01
print("日:", match.group(3))           # 15

输出：

完整匹配: 2024-01-15
年: 2024
月: 01
日: 15

分组有什么用？你想从一段文字里精确挖出某个部分。比如从日志里提取时间、从邮件地址里提取用户名。

贪婪 vs 非贪婪

这是正则表达式最让人困惑的地方，但其实很简单：

• 贪婪匹配（默认）：.* 会尽可能多地吃字符
• 非贪婪匹配：.*? 只吃最少的字符

import re

text = "我喜欢<p>苹果</p>和<p>香蕉</p>"

# 贪婪：.* 会一直吃到最后
greedy = re.search(r"<p>.*</p>", text)
print("贪婪匹配:", greedy.group())

# 非贪婪：.*? 遇到第一个就停
non_greedy = re.search(r"<p>.*?</p>", text)
print("非贪婪匹配:", non_greedy.group())

输出：

贪婪匹配: <p>苹果</p>和<p>香蕉</p>
非贪婪匹配: <p>苹果</p>

什么时候用非贪婪？ 当你要匹配HTML标签、成对出现的符号时，用非贪婪否则会吃撑。

🔥 实战 35 分钟：3 个递进的小项目

项目 1（5 分钟）：邮箱猎人

场景：你有一段文本，想把所有邮箱挖出来。

import re

text = """
李老师 li@example.com 负责招生
王同学 wang_student@163.com 咨询课程
客服邮箱: service@python-course.com.cn
"""

# 简单邮箱匹配
emails = re.findall(r"[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+", text)

print("找到以下邮箱：")
for email in emails:
print("-", email)

预期输出：

找到以下邮箱：
- li@example.com
- wang_student@163.com
- service@python-course.com.cn

这行正则说白了就是：字母数字下划线@字母数字点字母数字

项目 2（15 分钟）：日志敏感词扫描器

场景：你有一个日志文件，找出所有包含 ERROR 或 WARNING 的行，并提取时间戳。

import re

# 模拟日志内容
log_content = """
2024-01-15 10:23:45 [INFO] 系统启动成功
2024-01-15 10:23:46 [ERROR] 数据库连接失败
2024-01-15 10:23:47 [WARNING] 内存使用率 85%
2024-01-15 10:23:48 [ERROR] 用户认证失败: user=admin
2024-01-15 10:23:49 [INFO] 重试连接数据库
2024-01-15 10:23:50 [ERROR] 连接超时: timeout=30s
"""

# 找出所有 ERROR 和 WARNING 行
error_lines = re.findall(r"(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) \[(ERROR|WARNING)\] (.+)", log_content)

print("=" * 50)
print("扫描结果：发现", len(error_lines), "条问题日志")
print("=" * 50)

for timestamp, level, message in error_lines:
print(f"[{level}] {timestamp}")
print(f"   详情: {message}")
print()

预期输出：

==================================================
扫描结果：发现 3 条问题日志
==================================================
[ERROR] 2024-01-15 10:23:46
情: 数据库连接失败

[WARNING] 2024-01-15 10:23:47
情: 内存使用率 85%

[ERROR] 2024-01-15 10:23:48
情: 用户认证失败: user=admin

[ERROR] 2024-01-15 10:23:50
情: 连接超时: timeout=30s

这个例子展示了分组的强大：用分组分别提取了时间、级别、详情。

项目 3（15 分钟）：手机号隐私脱敏工具

场景：给一批手机号脱敏，把中间4位变成 ****。

import re

def mask_phone(phone):
"""把手机号中间4位脱敏"""
# 匹配3位-4位-4位格式
match = re.search(r"(\d{3})-(\d{4})-(\d{4})", phone)
if match:
    return f"{match.group(1)}-****-{match.group(3)}"
return phone

def mask_phone_v2(phone):
"""用sub替换的方式脱敏（更简洁）"""
return re.sub(r"(\d{3})-(\d{4})-(\d{4})", r"\1-****-\3", phone)

# 测试数据
phones = [
"138-1234-5678",
"139-9876-5432",
"137-5555-8888",
"手机号：136-0000-9999 记得保存"
]

print("脱敏前后对比：")
print("-" * 40)
for phone in phones:
masked = mask_phone(phone)
print(f"原: {phone}")
print(f"新: {masked}")
print()

预期输出：

脱敏前后对比：
----------------------------------------
原: 138-1234-5678
新: 138-****-5678

原: 139-9876-5432
新: 139-****-5432

原: 137-5555-8888
新: 137-****-8888

原: 手机号：136-0000-9999 记得保存
新: 手机号：136-****-9999 记得保存

技巧：r"\1-****-\3" 里的 \1 \3 是反向引用，引用第一个和第三个分组的内容。

💪 进阶 20 分钟：常见坑 + 性能小贴士

坑 1：转义字符让人头疼

❌ 错误示例：

# 想匹配 "C:\Users\test"，但 \U 被当成了特殊字符
text = "路径是 C:\Users\test"
result = re.findall(r"\Users", text)  # 匹配不到！

✅ 正确做法：

# 方法1：加 r 前缀（raw字符串）
result = re.findall(r"C:\\Users\\test", text)

# 方法2：双反斜杠转义
result = re.findall("C:\\\\Users\\\\test", text)

记住：正则里的 \ 本身就是特殊字符，如果要匹配字面意义上的 \，得写 \\。

坑 2：match 和 search 傻傻分不清

❌ 错误示例：

text = "工号是 A12345"
result = re.match(r"A\d+", text)  # match从开头匹配，开头是"工"，匹配失败
print(result)  # None

✅ 正确做法：

# 想在字符串中间找，用 search
result = re.search(r"A\d+", text)
print(result.group())  # A12345

记住：找东西用 search()，除非你确定要验证"是不是以X开头"才用 match()。

坑 3：findall 返回的是列表，不是 Match 对象

❌ 错误示例：

text = "2024-01-15"
result = re.findall(r"(\d{4})-(\d{2})-(\d{2})", text)
print(result.group(1))  # 报错！列表没有 group 方法

✅ 正确做法：

# findall 返回的是字符串列表
result = re.findall(r"(\d{4})-(\d{2})-(\d{2})", text)
print(result[0])  # ('2024', '01', '15') - 元组形式

# 如果需要用 group()，用 search 或 finditer
match = re.search(r"(\d{4})-(\d{2})-(\d{2})", text)
print(match.group(1))  # 2024

坑 4：贪婪匹配吃多了

❌ 错误示例：

text = '他说"你好"然后说"再见"'
result = re.search(r".*", text)  # 贪婪，匹配整行
print(result.group())  # 他说"你好"然后说"再见"

✅ 正确做法：

result = re.search(r"".*?"", text)  # 非贪婪，匹配到第一个"
print(result.group())  # "你好"

坑 5：忽略 re.IGNORECASE 大小写问题

❌ 错误示例：

text = "Email: TOM@EXAMPLE.COM"
emails = re.findall(r"[a-z]+@[a-z]+\.[a-z]+", text)  # 只匹配小写，漏掉了TOM
print(emails)  # []

✅ 正确做法：

emails = re.findall(r"[a-z]+@[a-z]+\.[a-z]+", text, re.IGNORECASE)
print(emails)  # ['TOM@EXAMPLE.COM']

性能小贴士：预编译正则

如果一个正则要匹配很多次，提前「编译」它会更快：

import re

# 不用预编译：每次匹配都要解析正则
text = "a1 b2 c3 d4 e5 f6"
for _ in range(10000):
re.findall(r"\d", text)

# 预编译：只解析一次
pattern = re.compile(r"\d")
for _ in range(10000):
pattern.findall(text)

什么时候用？循环内匹配同一个正则超过100次时，预编译能提升明显性能。

调试技巧：print 大法

import re

text = "错误码 E001 发生在 10:30"

# 先看看正则能不能匹配
match = re.search(r"(E\d{3})", text)
if match:
print("DEBUG: 匹配到了", match.group())
print("DEBUG: 分组1是", match.group(1))

✏️ 练习题

练习 1（2 分钟）：找数字

• 输入："订单号 A2024001 于 2024-01-15 发货"
• 预期输出：['A2024001', '2024', '01', '15']
• 提示：\w+ 可以匹配字母数字组合

练习 2（2 分钟）：加个判断

在练习1基础上，写一个 if 判断，检测订单号是否以 "A" 开头。

• 预期输出：如果以A开头打印 "是A开头的订单"，否则打印 "不是A开头"

练习 3（3 分钟）：处理新数据

用 re.findall() 提取字符串 "金额：¥999元，折扣：¥199元" 中的所有金额数字。

• 预期输出：['999', '199']
• 提示：金额格式是 ¥后面跟数字

练习 4（3 分钟）：组合练习

用 re.sub() 把 "原价300元，现价250元" 里的"300"替换成"XXX"，保留其他部分。

• 预期输出："原价XXX元，现价250元"
• 提示：sub() 的第二个参数可以直接写要替换成的字符串

练习 5（挑战题，5 分钟）：报错分析

以下代码为什么输出 None？如何修复？

import re
text = "我的学号是 S001"
result = re.match(r"\d+", text)
print(result.group())

• 提示：学号 S001 开头是字母，不是数字

作业：做一个「文本清洗工具」

需求描述：
做一个命令行工具，输入一段文字，自动：
1. 把所有手机号中间4位脱敏
2. 把所有邮箱替换成 [EMAIL]
3. 把所有数字替换成 #

功能点：
1. 用 re.sub() + 分组实现手机号脱敏
2. 用 re.sub() 实现邮箱替换
3. 用 re.sub() 实现数字替换
4. 支持从命令行输入文本

加分项：
1. 支持读取文件并输出清洗后的文件
2. 用 re.compile() 预编译所有正则提升性能

验收标准：
- 运行 python cleaner.py "手机138-1234-5678，邮箱test@163.com，编号10086"
- 输出：手机138-****-5678，邮箱[EMAIL]，编号##
- 代码有注释

📚 总结

这一章我们学了：

• 正则表达式是描述文本规律的语言，用它可以从杂乱文本里精确定位目标
• 4个核心函数：match（从头匹配）、search（搜一个）、findall（搜全部）、sub（替换）
• 分组和反向引用：用 () 提取特定部分，用 \1 \2 引用它们

延伸资源：
- Python 官方文档正则表达式 HOWTO：https://docs.python.org/zh-cn/3/howto/regex.html
- 菜鸟教程正则表达式：https://www.runoob.com/python3/python3-reg-expressions.html
- RegExr 正则表达式在线练习：https://regexr.com/

互动钩子：
你在工作或生活中有没有遇到过「这段文字乱七八糟，想找出特定信息」的场景？评论区说说，下一章我们要学文件读写，就可以把这些技巧用在自己的文件上啦！

下章剧透：
学会了正则，你能从文本里挖宝藏了。但这些宝藏还存在文件里，下一章教你用 with open() 读写文件，把正则用在真实文件上，做一个真正的「日志分析器」！