简介一份面向Python初学者的正则表达式专题PDF从字符匹配基础到re模块常用函数系统梳理了完整的知识链条。内容涵盖常见元字符、字符类与转义、量词与分组、贪婪与非贪婪模式、零宽断言等核心概念并通过大量简短示例演示search、match、findall、sub等方法的使用场景帮助理解模式与字符串如何交互。整份资料共1个PDF文件压缩包大小约661KB轻量便携适合碎片化时间阅读也可在本地开发环境中边看边练。目前已有260人学习下载。通过这份PDF读者能快速建立正则表达式的使用框架掌握匹配、提取、替换的标准写法并学会在字符串清洗、日志解析、格式校验等实际任务中准确套用对应模式同时捕获组与编译标志等细节讲解也能补齐自学时容易忽略的知识点提升日常编码效率减少排错成本。1. 正则表达式不是背出来的从「收藏会员文章」到「跑通一遍」很多人在 Python 学习路上卡在正则表达式这一关第一反应不是去写而是去某技术社区翻会员文章收藏几十篇「超全正则大全」「正则表达式必背口诀」关上页面后还是连一个 IP 地址都提取不出来。我见过太多学员抱着这种收藏夹学了一个月真到解析日志时手抖。原因很简单正则表达式是「匹配思维」的训练不是记忆量的比拼。你能记住\d代表数字但你不一定知道为什么re.match和re.search结果不一样为什么.*会把一整行都吞掉。本文要做的就是带你从零跑通正则的核心流程自己动手解析真实文本并告诉你哪些坑是每个新手都躲不开的。读懂这篇你不再需要靠会员文章续命因为你自己就能写出、调试并优化正则。2. 正则表达式的核心匹配流程字符、量词与 Python re 模块选型正则表达式本质上是一种描述字符串模式的「小语言」。Python 通过re模块把它编译成内部状态机然后用它去扫描目标字符串。理解这个流程比你背一百个规则都有用。2.1 字符匹配的三个基本维度普通字符、字符集与预定义类正则里的最小单元是「一个字符」。普通字符如a、1、你只能匹配字面本身。但多数场景下我们要匹配的不是某个固定字符而是某一类字符。这时就要用到字符集和预定义类。字符集用方括号[]表示比如[0-9]匹配任意数字[a-zA-Z]匹配任意字母[^0-9]匹配非数字。预定义类则是常见字符集的简写\d等价[0-9]\w等价[A-Za-z0-9_]\s匹配空白字符空格、制表符、换行。反过来大写形式\D、\W、\S表示对应的补集。import re text 订单号: A20231208金额: 299.00 元 # 提取所有数字 numbers re.findall(r\d, text) print(numbers) # [20231208, 299, 00] # 提取所有非空白字符观察中文如何被匹配 non_spaces re.findall(r\S, text) print(non_spaces) # [订单号:, A20231208金额:, 299.00, 元]这里的r\d是原始字符串加量词表示「一个或多个数字」。如果不加\d只会匹配单个数字findall返回的就是一个个拆开的数字字符。findall返回所有非重叠匹配如果正则里定义了分组返回行为会变这点后面专门讲。参数理解re.findall(pattern, string, flags0)的flags常用值有re.IGNORECASE忽略大小写、re.MULTILINE让^和$匹配每行行首行尾。在你没搞懂 flags 之前先全部用默认值减少干扰。2.2 量词与贪婪/非贪婪为什么.*会超预期量词控制的是「前面的字符出现多少次」。*表示 0 次或多次表示 1 次或多次?表示 0 次或 1 次{n,m}表示 n 到 m 次。关键在于*和默认是贪婪的它们会尽可能匹配更多字符。这是新手最容易踩的坑。比如你想匹配开始和结束之间的内容文本是开始第一次结束中间内容开始第二次结束模式开始.*结束会匹配从第一个「开始」到最后一个「结束」的整段内容而不是你直觉里的第一段。import re text 开始第一次结束中间内容开始第二次结束 # 贪婪匹配匹配到最后一个“结束” greedy re.findall(r开始.*结束, text) print(greedy) # [开始第一次结束中间内容开始第二次结束] # 非贪婪匹配只要遇到第一个“结束”就停 lazy re.findall(r开始.*?结束, text) print(lazy) # [开始第一次结束, 开始第二次结束]非贪婪的写法是在量词后面加问号.*?、?、{n,m}?。它表示「尽可能少地匹配」只要满足整体模式能匹配成功即可。在日志解析、HTML 清洗这类场景里非贪婪几乎是默认选项。不过注意非贪婪并不能解决所有问题它只是改变回溯策略极端情况下性能可能更差。更彻底的方案是字符集取反比如开始[^结]*结束直接排除「结」字效率更高且逻辑更清晰。2.3 Python re 模块的四个入口match、search、findall、finditer很多新手分不清re.match和re.search。match只在字符串的起始位置匹配如果开头不满足就返回Nonesearch则扫描整个字符串找到第一个匹配的位置。findall返回所有匹配的字符串列表finditer返回迭代器每个元素是匹配对象适合大量匹配时节省内存。import re text 我的电话号码是 13812345678备用是 13987654321。 # match 从开头找数字开头是“我”匹配失败 m re.match(r\d, text) print(m) # None # search 扫描全文找到第一个数字串 s re.search(r\d, text) print(s.group()) # 13812345678 # findall 找全部 all_nums re.findall(r\d, text) print(all_nums) # [13812345678, 13987654321] # finditer 逐个拿到匹配对象 for match in re.finditer(r\d, text): print(match.start(), match.end(), match.group())输出是索引位置和实际内容。match.start()和match.end()给出匹配在原字符串中的起止下标这在定位错误、替换片段时非常有用。我发现很多人写正则时只盯着group()完全忽略位置信息导致后续切片操作全靠数下标这是非常低效的。选择建议判断某段文本是否匹配用match或search要提取内容用findall如果匹配量大且需要做复杂处理用finditer。记住findall在有分组时返回的是分组内容而不是完整匹配这是另一个经典坑后面细说。3. 用正则处理真实场景日志解析、数据清洗与分组提取这一章直接落地到最常见的三类任务。你不需要背规则跟着代码跑一遍然后改几个参数就能明白为什么正则这么写。3.1 从日志行里提取 IP 和时间戳分组与命名分组服务器日志通常长这样2024-05-18 14:23:45 ERROR 192.168.1.10 用户登录失败。我们要拆出时间、级别、IP。用分组()把每个要提取的部分框起来findall会返回元组列表。import re log_line 2024-05-18 14:23:45 ERROR 192.168.1.10 用户登录失败 # 分组提取时间、级别、IP pattern r(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) (\w) (\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) match re.search(pattern, log_line) if match: time_str, level, ip match.groups() print(time_str, level, ip) # 用命名分组代码可读性更好 pattern_named r(?Ptime\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) (?Plevel\w) (?Pip\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) m re.search(pattern_named, log_line) print(m.group(time), m.group(level), m.group(ip))(?Pname...)是命名分组通过group(name)取值比数字索引group(1)清晰得多。IP 地址的正则\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}是个「够用但不够严谨」的写法它能匹配999.999.999.999。严谨版需要分段判断 0-255但那会让正则变得极长实战里往往先粗后精先用正则捞出候选再用 Python 函数校验。这里提一个经验正则负责「初步筛选」Python 负责「业务逻辑」。不要试图用一条正则做完所有验证否则表达式长得你自己都读不懂调试痛苦。3.2 清洗文本中的电话号码和邮箱字符集与转义数据清洗是最能体现正则价值的地方。手机号和邮箱的格式五花八门我们要把它们统一提取或脱敏。注意匹配邮箱时.必须转义因为正则里.匹配任意字符。import re raw_text 联系邮箱: aliceexample.com 或 BOBsub.domain.org 电话: 010-12345678, 138-1234-5678, 159 1234 5678 # 提取邮箱忽略大小写 emails re.findall(r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, raw_text, re.IGNORECASE) print(emails) # 提取常见的中国大陆手机号1开头的11位允许 空格或- 分隔 phones re.findall(r1[3-9]\d{1}[- ]?\d{4}[- ]?\d{4}, raw_text) print(phones) # 把邮箱替换成脱敏形式只保留首字母和域名 def mask_email(match): value match.group(0) name, domain value.split() return name[0] *** domain masked re.sub(r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, mask_email, raw_text) print(masked)re.sub的第二个参数可以传函数函数接收匹配对象返回替换字符串。这是强大的技巧你可以在回调里做任意处理比如查数据库、计算哈希、判断启用状态。手机号正则里的[- ]?表示「0 个或 1 个连字符或空格」。注意\d{1}其实等价于\d我故意写成{1}是为了让新手看到量词的用法实际写时直接写\d更简洁。3.3 用 re.sub 做文本替换回调函数与边界除了脱敏re.sub最常见的用途是格式化。比如把2024/05/18统一改成2024-05-18或者给数字加千分位。加千分位是很多算法题里的经典题用正则加回调就很干净。import re def add_thousands(match): num_str match.group(0) # 从右往左每三位插一个逗号 return format(int(num_str), ,) text 本月销售额 1234567 元同比增长 23456 元 result re.sub(r\d, add_thousands, text) print(result) # 本月销售额 1,234,567 元同比增长 23,456 元这个例子展示了「正则定位 函数逻辑」的组合拳。真正的工作中这种组合远多于一条正则解决一切。另外re.sub的count参数可以限制替换次数。比如只替换第一个匹配re.sub(pattern, repl, string, count1)。实战里经常需要跳过某些位置你可以用回调函数里判断match.start()来决定是否替换。边界问题值得单独提醒\b是单词边界匹配单词字符和非单词字符之间的位置。比如\bcat\b能匹配a cat里的cat但不会匹配category里的cat。中文没有单词边界如果你想精确匹配中文词通常要配合(?...)和(?...)前后断言。例如提取「张三说」里的张三(?^|)张三(?说)。这类断言读起来费劲但它是精准匹配的利器。4. 正则避坑指南5 个新手必踩的坑及排查方法这一章是血泪经验。每个坑我都按「现象 → 原因 → 解决」来写你可以对照自己的代码排查。4.1 匹配不到先检查 start 位置与 re.match 的锚定行为现象明明文本里有目标字符串re.match(r\d, abc123)却返回None。原因re.match从字符串开头尝试匹配开头不是数字所以失败。很多人误以为match是「在任意位置查找」的意思。解决如果你想在文本中查找用re.search或re.findall。如果确实要匹配开头也要注意^在MULTILINE模式下的行为差异。排查时先打印pattern和string的前 20 个字符并确认有没有不可见字符如\ufeff字节序标记干扰。我遇到过某个配置文件开头带 BOM导致正则永远匹配失败最后是repr()打印字符串才发现的。4.2 字符串转义与正则转义叠加r为什么是标配现象写re.compile(\\d)能跑写re.compile(\d)报错bad escape \d。原因Python 字符串里\d不是有效转义Python 3.12 开始直接报错。即使不报错语义也可能错位比如\n被解析成换行符而不是正则里的n。解决一律用原始字符串r...让 Python 不做转义留给正则引擎解释。如果你需要在正则里匹配反斜杠本身比如 Windows 路径C:\Users\Name正则模式要写rC:\\Users这里\\在正则里匹配一个反斜杠。记住一个简单规则正则里需要几个反斜杠就写几个反斜杠原始字符串只是避免 Python 层面再吃一层。4.3 贪婪匹配导致数据错位改用非贪婪或者字符集取反现象用.*提取 HTML 中多个标签内容结果一次性吞掉多个标签。比如re.findall(rb(.*)/b, b第一/b和b第二/b)返回的第一个元素是第一/b和b第二而不是第一。原因.*贪婪会从第一个b一直匹配到最后一个/b。解决改成.*?非贪婪得到第一和第二。更稳的是用([^]*)明确排除字符逻辑上更闭合性能也更好。注意非贪婪只是「尽可能少」如果模式允许跳过结束标签它也可能匹配到不该有的内容。这时候请回到业务你是在解析 HTML 吗如果是请用专门库而不是正则。正则处理嵌套标签是一个深坑不要硬来。4.4 分组编号混乱命名分组与 finditer 的正确打开方式现象findall返回的不是匹配串而是一个个元组新手以为是自己数据写错了。例如re.findall(r(\d)-(\d), 12-34 56-78)返回[(12, 34), (56, 78)]。原因findall的规则是如果正则有 1 个分组返回分组字符串列表如果有多个分组返回元组列表如果没有分组返回完整匹配串列表。很多人没意识到这一点。解决如果你需要完整匹配串和分组内容请用finditer它返回匹配对象既能.group(0)拿完整也能.group(1)拿分组不会丢信息。如果你担心分组编号写错就用命名分组(?Pname...)然后match.group(name)避免数字顺序搞混。分组编号变化时数字索引会跟着跑命名分组能显著降低维护成本。4.5 性能陷阱灾难性回溯与正则超时现象一个复杂的正则跑在长文本上程序卡死几分钟CPU 占满。原因正则引擎在尝试匹配失败时不断回溯如果模式里嵌套多个.*和可选量词可能产生指数级回溯这就是「灾难性回溯」。解决优先用字符集取反代替.*例如用[^]*匹配引号内容而不是.*?。其次用re模块的替代方案regex库支持超时和更高级的语法但一般先别换库而是优化表达式。一个实用技巧是拆分正则把大模式拆成多个小模式先粗筛再细筛既能降低复杂度又能让定位问题变容易。如果你在某技术社区看到会员文章里一条几百字的超长正则一定要警惕它多半是反例。5. 正则表达式的进阶技巧编译、调试与一个「后悔药」习惯正则学到最后拼的不是会写而是会调试和复用。这里分享三个我每天都在用的习惯。第一把高频正则编译成对象。re.compile预编译能省去每次匹配时的编译开销虽然小脚本无所谓但在循环里匹配几万行日志时性能差异明显。编译后还能把模式、flags 集中管理代码更整洁。import re LOG_PATTERN re.compile( r(?Ptime\d{4}-\d{2}-\d{2}[ T]\d{2}:\d{2}:\d{2}) r(?Plevel\w) r(?Pmsg.*), re.IGNORECASE, ) with open(app.log, encodingutf-8) as fp: for line in fp: m LOG_PATTERN.search(line) if m: print(m.group(level), m.group(msg))第二写正则时用「三明治调试法」先打印目标字符串的repr()确认不可见字符再在正则里加()分组把每一步框起来用finditer逐个打印group()看哪一步断掉。不要用print(match)因为匹配对象的字符串表示不直观。我见过最有效的调试是在表达式里临时加(?Pstep1...)、(?Pstep2...)然后打印所有分组一眼看出谁没匹配上。第三把你收藏夹里的会员文章整理成「验证清单」。比如里面说「^在字符串中间也可以匹配只要开启 MULTILINE」——这句话你不亲手跑一遍永远记不住。我的习惯是从任何渠道看到一个正则知识点都建一个regex_notes.py每一条配两个例子一个正例、一个反例。正例验证它能匹配反例验证它不会误匹配。运行通过就留下运行不过就查原因或丢弃。这个过程 20 分钟但比读十篇文章都有用。最后说一个我的教训有次我为了省事用一条巨长的正则去解析用户输入结果被一串恶意输入触发灾难性回溯线上服务卡了几十秒。后来老实了改成「正则定位 简单字符串处理」再配合长度限制和超时问题彻底消失。正则不是越复杂越好能少用就少用能拆开就拆开。正则表达式是典型的手艺活光收藏文章不动手看十遍还是不会。你把今天这几段代码跑一遍改几个参数再拿真实日志试一次就能感受到它带来的掌控感。希望这篇实战笔记能帮到你少走我当年走过的弯路。本文还有配套的精品资源点击获取 
长河君 · 2026/10/16 2:57:30 · 阅读 1.2k Python正则表达式实战：从匹配机制到日志解析与数据清洗
简介一份面向Python初学者的正则表达式专题PDF从字符匹配基础到re模块常用函数系统梳理了完整的知识链条。内容涵盖常见元字符、字符类与转义、量词与分组、贪婪与非贪婪模式、零宽断言等核心概念并通过大量简短示例演示search、match、findall、sub等方法的使用场景帮助理解模式与字符串如何交互。整份资料共1个PDF文件压缩包大小约661KB轻量便携适合碎片化时间阅读也可在本地开发环境中边看边练。目前已有260人学习下载。通过这份PDF读者能快速建立正则表达式的使用框架掌握匹配、提取、替换的标准写法并学会在字符串清洗、日志解析、格式校验等实际任务中准确套用对应模式同时捕获组与编译标志等细节讲解也能补齐自学时容易忽略的知识点提升日常编码效率减少排错成本。1. 正则表达式不是背出来的从「收藏会员文章」到「跑通一遍」很多人在 Python 学习路上卡在正则表达式这一关第一反应不是去写而是去某技术社区翻会员文章收藏几十篇「超全正则大全」「正则表达式必背口诀」关上页面后还是连一个 IP 地址都提取不出来。我见过太多学员抱着这种收藏夹学了一个月真到解析日志时手抖。原因很简单正则表达式是「匹配思维」的训练不是记忆量的比拼。你能记住\d代表数字但你不一定知道为什么re.match和re.search结果不一样为什么.*会把一整行都吞掉。本文要做的就是带你从零跑通正则的核心流程自己动手解析真实文本并告诉你哪些坑是每个新手都躲不开的。读懂这篇你不再需要靠会员文章续命因为你自己就能写出、调试并优化正则。2. 正则表达式的核心匹配流程字符、量词与 Python re 模块选型正则表达式本质上是一种描述字符串模式的「小语言」。Python 通过re模块把它编译成内部状态机然后用它去扫描目标字符串。理解这个流程比你背一百个规则都有用。2.1 字符匹配的三个基本维度普通字符、字符集与预定义类正则里的最小单元是「一个字符」。普通字符如a、1、你只能匹配字面本身。但多数场景下我们要匹配的不是某个固定字符而是某一类字符。这时就要用到字符集和预定义类。字符集用方括号[]表示比如[0-9]匹配任意数字[a-zA-Z]匹配任意字母[^0-9]匹配非数字。预定义类则是常见字符集的简写\d等价[0-9]\w等价[A-Za-z0-9_]\s匹配空白字符空格、制表符、换行。反过来大写形式\D、\W、\S表示对应的补集。import re text 订单号: A20231208金额: 299.00 元 # 提取所有数字 numbers re.findall(r\d, text) print(numbers) # [20231208, 299, 00] # 提取所有非空白字符观察中文如何被匹配 non_spaces re.findall(r\S, text) print(non_spaces) # [订单号:, A20231208金额:, 299.00, 元]这里的r\d是原始字符串加量词表示「一个或多个数字」。如果不加\d只会匹配单个数字findall返回的就是一个个拆开的数字字符。findall返回所有非重叠匹配如果正则里定义了分组返回行为会变这点后面专门讲。参数理解re.findall(pattern, string, flags0)的flags常用值有re.IGNORECASE忽略大小写、re.MULTILINE让^和$匹配每行行首行尾。在你没搞懂 flags 之前先全部用默认值减少干扰。2.2 量词与贪婪/非贪婪为什么.*会超预期量词控制的是「前面的字符出现多少次」。*表示 0 次或多次表示 1 次或多次?表示 0 次或 1 次{n,m}表示 n 到 m 次。关键在于*和默认是贪婪的它们会尽可能匹配更多字符。这是新手最容易踩的坑。比如你想匹配开始和结束之间的内容文本是开始第一次结束中间内容开始第二次结束模式开始.*结束会匹配从第一个「开始」到最后一个「结束」的整段内容而不是你直觉里的第一段。import re text 开始第一次结束中间内容开始第二次结束 # 贪婪匹配匹配到最后一个“结束” greedy re.findall(r开始.*结束, text) print(greedy) # [开始第一次结束中间内容开始第二次结束] # 非贪婪匹配只要遇到第一个“结束”就停 lazy re.findall(r开始.*?结束, text) print(lazy) # [开始第一次结束, 开始第二次结束]非贪婪的写法是在量词后面加问号.*?、?、{n,m}?。它表示「尽可能少地匹配」只要满足整体模式能匹配成功即可。在日志解析、HTML 清洗这类场景里非贪婪几乎是默认选项。不过注意非贪婪并不能解决所有问题它只是改变回溯策略极端情况下性能可能更差。更彻底的方案是字符集取反比如开始[^结]*结束直接排除「结」字效率更高且逻辑更清晰。2.3 Python re 模块的四个入口match、search、findall、finditer很多新手分不清re.match和re.search。match只在字符串的起始位置匹配如果开头不满足就返回Nonesearch则扫描整个字符串找到第一个匹配的位置。findall返回所有匹配的字符串列表finditer返回迭代器每个元素是匹配对象适合大量匹配时节省内存。import re text 我的电话号码是 13812345678备用是 13987654321。 # match 从开头找数字开头是“我”匹配失败 m re.match(r\d, text) print(m) # None # search 扫描全文找到第一个数字串 s re.search(r\d, text) print(s.group()) # 13812345678 # findall 找全部 all_nums re.findall(r\d, text) print(all_nums) # [13812345678, 13987654321] # finditer 逐个拿到匹配对象 for match in re.finditer(r\d, text): print(match.start(), match.end(), match.group())输出是索引位置和实际内容。match.start()和match.end()给出匹配在原字符串中的起止下标这在定位错误、替换片段时非常有用。我发现很多人写正则时只盯着group()完全忽略位置信息导致后续切片操作全靠数下标这是非常低效的。选择建议判断某段文本是否匹配用match或search要提取内容用findall如果匹配量大且需要做复杂处理用finditer。记住findall在有分组时返回的是分组内容而不是完整匹配这是另一个经典坑后面细说。3. 用正则处理真实场景日志解析、数据清洗与分组提取这一章直接落地到最常见的三类任务。你不需要背规则跟着代码跑一遍然后改几个参数就能明白为什么正则这么写。3.1 从日志行里提取 IP 和时间戳分组与命名分组服务器日志通常长这样2024-05-18 14:23:45 ERROR 192.168.1.10 用户登录失败。我们要拆出时间、级别、IP。用分组()把每个要提取的部分框起来findall会返回元组列表。import re log_line 2024-05-18 14:23:45 ERROR 192.168.1.10 用户登录失败 # 分组提取时间、级别、IP pattern r(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) (\w) (\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) match re.search(pattern, log_line) if match: time_str, level, ip match.groups() print(time_str, level, ip) # 用命名分组代码可读性更好 pattern_named r(?Ptime\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}) (?Plevel\w) (?Pip\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) m re.search(pattern_named, log_line) print(m.group(time), m.group(level), m.group(ip))(?Pname...)是命名分组通过group(name)取值比数字索引group(1)清晰得多。IP 地址的正则\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}是个「够用但不够严谨」的写法它能匹配999.999.999.999。严谨版需要分段判断 0-255但那会让正则变得极长实战里往往先粗后精先用正则捞出候选再用 Python 函数校验。这里提一个经验正则负责「初步筛选」Python 负责「业务逻辑」。不要试图用一条正则做完所有验证否则表达式长得你自己都读不懂调试痛苦。3.2 清洗文本中的电话号码和邮箱字符集与转义数据清洗是最能体现正则价值的地方。手机号和邮箱的格式五花八门我们要把它们统一提取或脱敏。注意匹配邮箱时.必须转义因为正则里.匹配任意字符。import re raw_text 联系邮箱: aliceexample.com 或 BOBsub.domain.org 电话: 010-12345678, 138-1234-5678, 159 1234 5678 # 提取邮箱忽略大小写 emails re.findall(r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, raw_text, re.IGNORECASE) print(emails) # 提取常见的中国大陆手机号1开头的11位允许 空格或- 分隔 phones re.findall(r1[3-9]\d{1}[- ]?\d{4}[- ]?\d{4}, raw_text) print(phones) # 把邮箱替换成脱敏形式只保留首字母和域名 def mask_email(match): value match.group(0) name, domain value.split() return name[0] *** domain masked re.sub(r[A-Za-z0-9._%-][A-Za-z0-9.-]\.[A-Za-z]{2,}, mask_email, raw_text) print(masked)re.sub的第二个参数可以传函数函数接收匹配对象返回替换字符串。这是强大的技巧你可以在回调里做任意处理比如查数据库、计算哈希、判断启用状态。手机号正则里的[- ]?表示「0 个或 1 个连字符或空格」。注意\d{1}其实等价于\d我故意写成{1}是为了让新手看到量词的用法实际写时直接写\d更简洁。3.3 用 re.sub 做文本替换回调函数与边界除了脱敏re.sub最常见的用途是格式化。比如把2024/05/18统一改成2024-05-18或者给数字加千分位。加千分位是很多算法题里的经典题用正则加回调就很干净。import re def add_thousands(match): num_str match.group(0) # 从右往左每三位插一个逗号 return format(int(num_str), ,) text 本月销售额 1234567 元同比增长 23456 元 result re.sub(r\d, add_thousands, text) print(result) # 本月销售额 1,234,567 元同比增长 23,456 元这个例子展示了「正则定位 函数逻辑」的组合拳。真正的工作中这种组合远多于一条正则解决一切。另外re.sub的count参数可以限制替换次数。比如只替换第一个匹配re.sub(pattern, repl, string, count1)。实战里经常需要跳过某些位置你可以用回调函数里判断match.start()来决定是否替换。边界问题值得单独提醒\b是单词边界匹配单词字符和非单词字符之间的位置。比如\bcat\b能匹配a cat里的cat但不会匹配category里的cat。中文没有单词边界如果你想精确匹配中文词通常要配合(?...)和(?...)前后断言。例如提取「张三说」里的张三(?^|)张三(?说)。这类断言读起来费劲但它是精准匹配的利器。4. 正则避坑指南5 个新手必踩的坑及排查方法这一章是血泪经验。每个坑我都按「现象 → 原因 → 解决」来写你可以对照自己的代码排查。4.1 匹配不到先检查 start 位置与 re.match 的锚定行为现象明明文本里有目标字符串re.match(r\d, abc123)却返回None。原因re.match从字符串开头尝试匹配开头不是数字所以失败。很多人误以为match是「在任意位置查找」的意思。解决如果你想在文本中查找用re.search或re.findall。如果确实要匹配开头也要注意^在MULTILINE模式下的行为差异。排查时先打印pattern和string的前 20 个字符并确认有没有不可见字符如\ufeff字节序标记干扰。我遇到过某个配置文件开头带 BOM导致正则永远匹配失败最后是repr()打印字符串才发现的。4.2 字符串转义与正则转义叠加r为什么是标配现象写re.compile(\\d)能跑写re.compile(\d)报错bad escape \d。原因Python 字符串里\d不是有效转义Python 3.12 开始直接报错。即使不报错语义也可能错位比如\n被解析成换行符而不是正则里的n。解决一律用原始字符串r...让 Python 不做转义留给正则引擎解释。如果你需要在正则里匹配反斜杠本身比如 Windows 路径C:\Users\Name正则模式要写rC:\\Users这里\\在正则里匹配一个反斜杠。记住一个简单规则正则里需要几个反斜杠就写几个反斜杠原始字符串只是避免 Python 层面再吃一层。4.3 贪婪匹配导致数据错位改用非贪婪或者字符集取反现象用.*提取 HTML 中多个标签内容结果一次性吞掉多个标签。比如re.findall(rb(.*)/b, b第一/b和b第二/b)返回的第一个元素是第一/b和b第二而不是第一。原因.*贪婪会从第一个b一直匹配到最后一个/b。解决改成.*?非贪婪得到第一和第二。更稳的是用([^]*)明确排除字符逻辑上更闭合性能也更好。注意非贪婪只是「尽可能少」如果模式允许跳过结束标签它也可能匹配到不该有的内容。这时候请回到业务你是在解析 HTML 吗如果是请用专门库而不是正则。正则处理嵌套标签是一个深坑不要硬来。4.4 分组编号混乱命名分组与 finditer 的正确打开方式现象findall返回的不是匹配串而是一个个元组新手以为是自己数据写错了。例如re.findall(r(\d)-(\d), 12-34 56-78)返回[(12, 34), (56, 78)]。原因findall的规则是如果正则有 1 个分组返回分组字符串列表如果有多个分组返回元组列表如果没有分组返回完整匹配串列表。很多人没意识到这一点。解决如果你需要完整匹配串和分组内容请用finditer它返回匹配对象既能.group(0)拿完整也能.group(1)拿分组不会丢信息。如果你担心分组编号写错就用命名分组(?Pname...)然后match.group(name)避免数字顺序搞混。分组编号变化时数字索引会跟着跑命名分组能显著降低维护成本。4.5 性能陷阱灾难性回溯与正则超时现象一个复杂的正则跑在长文本上程序卡死几分钟CPU 占满。原因正则引擎在尝试匹配失败时不断回溯如果模式里嵌套多个.*和可选量词可能产生指数级回溯这就是「灾难性回溯」。解决优先用字符集取反代替.*例如用[^]*匹配引号内容而不是.*?。其次用re模块的替代方案regex库支持超时和更高级的语法但一般先别换库而是优化表达式。一个实用技巧是拆分正则把大模式拆成多个小模式先粗筛再细筛既能降低复杂度又能让定位问题变容易。如果你在某技术社区看到会员文章里一条几百字的超长正则一定要警惕它多半是反例。5. 正则表达式的进阶技巧编译、调试与一个「后悔药」习惯正则学到最后拼的不是会写而是会调试和复用。这里分享三个我每天都在用的习惯。第一把高频正则编译成对象。re.compile预编译能省去每次匹配时的编译开销虽然小脚本无所谓但在循环里匹配几万行日志时性能差异明显。编译后还能把模式、flags 集中管理代码更整洁。import re LOG_PATTERN re.compile( r(?Ptime\d{4}-\d{2}-\d{2}[ T]\d{2}:\d{2}:\d{2}) r(?Plevel\w) r(?Pmsg.*), re.IGNORECASE, ) with open(app.log, encodingutf-8) as fp: for line in fp: m LOG_PATTERN.search(line) if m: print(m.group(level), m.group(msg))第二写正则时用「三明治调试法」先打印目标字符串的repr()确认不可见字符再在正则里加()分组把每一步框起来用finditer逐个打印group()看哪一步断掉。不要用print(match)因为匹配对象的字符串表示不直观。我见过最有效的调试是在表达式里临时加(?Pstep1...)、(?Pstep2...)然后打印所有分组一眼看出谁没匹配上。第三把你收藏夹里的会员文章整理成「验证清单」。比如里面说「^在字符串中间也可以匹配只要开启 MULTILINE」——这句话你不亲手跑一遍永远记不住。我的习惯是从任何渠道看到一个正则知识点都建一个regex_notes.py每一条配两个例子一个正例、一个反例。正例验证它能匹配反例验证它不会误匹配。运行通过就留下运行不过就查原因或丢弃。这个过程 20 分钟但比读十篇文章都有用。最后说一个我的教训有次我为了省事用一条巨长的正则去解析用户输入结果被一串恶意输入触发灾难性回溯线上服务卡了几十秒。后来老实了改成「正则定位 简单字符串处理」再配合长度限制和超时问题彻底消失。正则不是越复杂越好能少用就少用能拆开就拆开。正则表达式是典型的手艺活光收藏文章不动手看十遍还是不会。你把今天这几段代码跑一遍改几个参数再拿真实日志试一次就能感受到它带来的掌控感。希望这篇实战笔记能帮到你少走我当年走过的弯路。本文还有配套的精品资源点击获取