正则表达式：从文本中找规律

处理文本时，最头疼的需求往往是”找规律”：从一堆日志里找出所有 IP、从网页源码里提取链接、验证手机号格式对不对。用字符串方法硬抠会写到怀疑人生。正则表达式（regex）就是干这个的——用一套”模式”语言描述你要找的规律。

第一个正则

Python 的正则在 re 模块里。最简单的用法：re.findall 找出所有匹配：

import re

text = "我的电话是 138-1234-5678，办公室是 010-8888-6666"
phones = re.findall(r"d{3}-d{4}-d{4}", text)
print(phones)   # ['138-1234-5678', '010-8888-6666']

注意字符串前面的 r：原始字符串（raw string），告诉 Python”反斜杠别转义”，写正则必须加。

核心语法速查

记住这张表，覆盖 80% 场景：

# 字符类
d     # 数字，等价 [0-9]
w     # 单词字符：字母、数字、下划线
s     # 空白：空格、tab、换行
.      # 任意字符（换行除外）
[abc]  # a、b、c 中任意一个
[0-9]  # 数字区间
[^0-9] # 非数字

# 量词
*      # 0 次或多次
+      # 1 次或多次
?      # 0 次或 1 次
{3}    # 恰好 3 次
{2,4}  # 2 到 4 次

# 位置和分组
^      # 字符串开头
$      # 字符串结尾
|      # 或（如 cat|dog）
()     # 分组，同时能捕获内容
b     # 单词边界

import re

text = "南山小站 2026 年开张，有 12 篇文章，3 个系列"

# d+：连续数字
print(re.findall(r"d+", text))        # ['2026', '12', '3']

# d{4}：恰好 4 位数字
print(re.findall(r"d{4}", text))      # ['2026']

# [南小]：任意一个字符
print(re.findall(r"[南小]", text))     # ['南', '小']

# w+：连续单词
print(re.findall(r"w+", text))        # ['南山小站', '2026', ...]

search vs match vs findall

三个最常用的函数，别搞混：

text = "我的邮箱是 hello@example.com，备用是 hi@test.org"

# findall：找所有，返回列表
emails = re.findall(r"[w.]+@[w.]+.w+", text)
print(emails)   # ['hello@example.com', 'hi@test.org']

# search：找第一个，返回 Match 对象（找不到返回 None）
m = re.search(r"[w.]+@[w.]+.w+", text)
print(m.group())      # hello@example.com（匹配到的内容）

# match：必须从开头匹配（注意区别！）
m2 = re.match(r"d+", "2026年是南山小站开张年")
print(m2.group())     # 2026（开头就有数字）
m3 = re.match(r"d+", "南山小站2026年开张")
print(m3)             # None（开头不是数字，匹配失败）

记法：findall 找全部，search 找第一个（任意位置），match 从开头找。

分组：提取关键部分

用括号分组，能只取需要的部分：

text = "张三 138-1234-5678，李四 139-9999-8888"
pattern = r"(w+) (d{3}-d{4}-d{4})"   # 两个分组：名字、电话

for m in re.finditer(pattern, text):     # finditer：逐个 Match
    name, phone = m.groups()             # 取所有分组
    print(f"{name}: {phone}")
# 张三: 138-1234-5678
# 李四: 139-9999-8888

# 分组加名字（?P<名字>），大项目可读性好
pattern = r"(?P<name>w+) (?P<phone>d{3}-d{4}-d{4})"
m = re.search(pattern, text)
print(m.group("name"))    # 张三
print(m.group("phone"))   # 138-1234-5678

sub：替换

text = "联系我：138-1234-5678"

# 手机号打码
masked = re.sub(r"d{3}-d{4}-d{4}", "***-****-****", text)
print(masked)   # 联系我：***-****-****

# 去掉所有非数字字符
clean = re.sub(r"D", "", text)     # D 非数字
print(clean)    # 13812345678

贪婪 vs 非贪婪

默认量词是贪婪的：尽可能多匹配。加 ? 变非贪婪：

text = "<b>加粗</b>和<b>更粗</b>"

# 贪婪：从第一个 
print(re.findall(r"<b>.*</b>", text))
# ['<b>加粗</b>和<b>更粗</b>']  —— 一次吃到底！

# 非贪婪：.*? 尽量少匹配
print(re.findall(r"<b>.*?</b>", text))
# ['<b>加粗</b>', '<b>更粗</b>']   —— 这才是想要的

.*? 是最常用的非贪婪组合，提取成对标签时几乎必用。

实战：验证输入 + 提取 URL

import re

# 验证手机号（简单版：1 开头 11 位）
def is_phone(s):
    return bool(re.fullmatch(r"1d{10}", s))   # fullmatch：整个字符串都要匹配

print(is_phone("13812345678"))   # True
print(is_phone("23812345678"))   # False（2 开头）
print(is_phone("1381234567"))    # False（10 位）

# 提取所有 URL
text = "官网 https://www.nsn0704y.cn 和文档 http://docs.example.com"
urls = re.findall(r"https?://[w./-]+", text)
print(urls)   # ['https://www.nsn0704y.cn', 'http://docs.example.com']

新手坑

坑 1：忘加 r 前缀。"d" 里 d 会被 Python 当转义符处理（d 不是合法转义，旧版本直接报错或行为诡异）。写正则一律 r"..."。

坑 2：用正则解析 HTML/JSON。HTML 不是正则语言，嵌套标签正则搞不定。解析 HTML 用 BeautifulSoup（后面网页解析那篇），解析 JSON 用 json 模块。

坑 3：贪婪匹配吃多了。该用 .*? 用了 .*，结果全匹配成一坨。匹配成对结构时想想非贪婪。

小结

• 正则 = 描述文本规律的模式语言，用 re 模块，字符串加 r 前缀
• 核心语法：d w s . [] 字符、* + ? {} 量词、^ $ | () 位置和分组
• findall 找全部、search 找第一个、match 从头找、fullmatch 整串匹配
• 分组提取用 () + m.groups()；替换用 re.sub
• 默认贪婪，.*? 非贪婪；别用正则解析 HTML/JSON

练习

1. 写正则从 “南山小站成立于2026年8月，位于吉林省敦化市” 里提取所有数字
2. 写一个函数 extract_emails(text)，返回文本里所有邮箱地址
3. 思考：re.findall(r"<.*>", "<a>b</a>") 会返回什么？如果换成 <.*?> 呢？为什么？