Python re 库详解

Python 的 re 模块（正则表达式）是处理字符串的强大工具，它允许用户通过模式匹配来查找、替换和分割文本。

1. 基本使用

1.1 匹配方法

• re.search(pattern, string)：在字符串中查找第一个匹配的子串，返回 Match 对象或 None。

  import re
  result = re.search(r'\d+', 'Python 3.10 released')
  print(result.group())  # 输出: 3

• re.match(pattern, string)：只从字符串开头匹配，返回 Match 对象或 None。

  result = re.match(r'Python', 'Python 3.10')
  print(result.group())  # 输出: Python

• re.findall(pattern, string)：查找所有匹配的子串，返回列表。

  result = re.findall(r'\d+', 'Python 3.10, Java 17')
  print(result)  # 输出: ['3', '10', '17']

• re.finditer(pattern, string)：返回一个迭代器，包含所有匹配的 Match 对象。

  for match in re.finditer(r'\w+', 'Hello World'):
      print(match.group())  # 输出: Hello, World

2. 正则表达式语法

2.1 元字符

字符	说明
.	匹配除换行符外的任意字符
^	匹配字符串开头
$	匹配字符串结尾
*	匹配前面的子表达式零次或多次
+	匹配前面的子表达式一次或多次
?	匹配前面的子表达式零次或一次
{n}	匹配前面的子表达式恰好 n 次
{n,}	匹配前面的子表达式至少 n 次
{n,m}	匹配前面的子表达式 n 到 m 次
[]	字符集合，匹配其中任意一个字符
`	`
()	分组，将表达式作为一个整体

2.2 预定义字符类

字符	说明
\d	匹配任意数字，等价于 [0-9]
\D	匹配任意非数字，等价于 [^0-9]
\w	匹配字母、数字或下划线，等价于 [a-zA-Z0-9_]
\W	匹配非字母、数字或下划线，等价于 [^a-zA-Z0-9_]
\s	匹配任意空白字符（空格、换行、制表符等）
\S	匹配任意非空白字符

3. 高级用法

3.1 分组与捕获

result = re.search(r'(\w+) (\w+)', 'Hello World')
print(result.group(0))  # 输出: Hello World
print(result.group(1))  # 输出: Hello
print(result.group(2))  # 输出: World

3.2 命名分组

result = re.search(r'(?P<first>\w+) (?P<last>\w+)', 'John Doe')
print(result.group('first'))  # 输出: John
print(result.group('last'))   # 输出: Doe

3.3 非捕获分组

result = re.search(r'(?:\d+\.){3}\d+', '192.168.1.1')
print(result.group())  # 输出: 192.168.1.1

4. 替换与分割

• re.sub(pattern, repl, string)：替换匹配的子串。

  result = re.sub(r'\d+', 'X', 'Python 3.10')
  print(result)  # 输出: Python X.X

• re.split(pattern, string)：根据匹配分割字符串。

  result = re.split(r'[\s,]+', 'Hello, World')
  print(result)  # 输出: ['Hello', 'World']

5. 编译正则表达式

对于频繁使用的正则表达式，建议预编译以提高性能。

pattern = re.compile(r'\d+')
result = pattern.search('Python 3.10')
print(result.group())  # 输出: 3

6. 常用示例

• 验证邮箱：

  pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'

• 提取 URL：

  pattern = r'https?://[^ ]+'

• 替换 HTML 标签：

  result = re.sub(r'<[^>]+>', '', '<p>Hello</p>')
  print(result)  # 输出: Hello

7. 注意事项

• 原始字符串：建议使用 r'' 原始字符串来避免转义字符的问题。
• 贪婪匹配：正则表达式默认是贪婪匹配（尽可能多匹配），可以使用 ? 实现非贪婪匹配。

  result = re.search(r'<.*?>', '<p>Hello</p>')
  print(result.group())  # 输出: <p>