Python正则表达式全解：9 大核心知识点 + 实战案例，文本处理神器 – 小白编程笔记

一、什么是Python正则表达式？

正则表达式（Regular Expression，简称Regex）是一套用特殊字符组成的字符串匹配规则，而Python正则表达式，就是用Python的re模块来实现这套规则，帮我们快速完成文本的匹配、查找、提取、替换等操作。

• 快速查找、提取、替换文本，大幅提升开发效率
• 表单验证：手机号、邮箱、身份证、密码格式校验
• 爬虫数据解析：从网页源码中精准提取目标内容
• 日志清洗：批量处理日志文件，提取关键信息

举个最简单的例子：你有一堆用户手机号，想快速筛选出格式正确的号码，用正则表达式一行规则就能搞定，不用手动逐个检查，这就是正则的强大之处。

二、Python正则表达式：re模块基础使用

Python正则表达式的功能，全部由Python内置的 re模块 提供，无需额外安装，直接导入就能使用，是Python正则表达式的核心载体。

# 导入re模块（Python正则表达式的标准写法，必须先导入）
import re

# 正则表达式建议统一用 r"" 包裹，r代表原生字符串，避免转义字符出错
# 基本使用流程：re.方法(正则表达式, 待匹配字符串)
result = re.match(r"\d+", "123abc")  # 匹配字符串开头的数字

三、re模块4大核心方法（新手必掌握）

re模块有4个最常用的核心方法，覆盖了Python正则表达式的绝大多数使用场景，每个方法的适用场景不同，新手一定要分清。

1. match()：从字符串开头匹配

match() 会从字符串的第一个字符开始匹配，如果开头不匹配，直接返回None，适合校验字符串开头的格式。

import re

# 匹配以数字开头的字符串
res = re.match(r"\d+", "123abc")
# 匹配成功，用group()获取匹配到的内容
print(res.group())  # 输出：123

# 开头不是数字，匹配失败，返回None
res2 = re.match(r"\d+", "abc123")
print(res2)  # 输出：None

2. search()：查找任意位置的第一个匹配

search() 会扫描整个字符串，找到第一个符合规则的匹配就返回，不管位置在哪里，适合查找字符串中是否存在某个内容。

# 查找字符串中的第一个数字串
res = re.search(r"\d+", "abc123def456")
print(res.group())  # 输出：123（只返回第一个匹配）

3. findall()：查找所有匹配，返回列表（最常用）

findall() 会扫描整个字符串，找到所有符合规则的匹配，以列表形式返回，是爬虫、数据提取最常用的方法。

# 查找字符串中的所有数字串
res = re.findall(r"\d+", "abc123def456")
print(res)  # 输出：['123', '456']（返回所有匹配的列表）

4. sub()：替换匹配到的内容

sub() 会把字符串中所有符合规则的匹配，替换成指定内容，适合批量文本清洗、替换。

# 把字符串中的所有数字替换成 *
res = re.sub(r"\d+", "*", "abc123def456")
print(res)  # 输出：abc*def*

四、正则基础语法（必背，Python正则表达式核心）

正则的核心是语法规则，下面给大家整理了Python正则表达式最常用的基础语法，新手一定要记牢，覆盖90%的日常使用场景。

1. 字符匹配类

• .：匹配任意1个字符（除了换行符 \n）
• \d：匹配数字 0-9，等价于 [0-9]
• \D：匹配非数字，和 \d 相反
• \w：匹配字母、数字、下划线（a-z/A-Z/0-9/_）
• \W：匹配非字母数字下划线，和 \w 相反
• \s：匹配空白字符（空格、制表符 \t、换行 \n 等）
• \S：匹配非空白字符，和 \s 相反
• []：匹配括号内的任意1个字符，比如 [a-z] 匹配小写字母

2. 数量匹配类

• *：匹配前面的字符 0 次或多次（尽可能多匹配）
• +：匹配前面的字符 1 次或多次（至少1次）
• ?：匹配前面的字符 0 次或 1 次（最多1次）
• {n}：匹配前面的字符 恰好 n 次
• {n,}：匹配前面的字符 至少 n 次
• {n,m}：匹配前面的字符 n~m 次（包含n和m）

3. 边界与分组类

• ^：匹配字符串的开头（和 [] 内的 ^ 含义不同，[] 内代表取反）
• $：匹配字符串的结尾
• ()：分组，把括号内的内容作为一个整体，用于精准提取数据
• |：或，匹配左右两边任意一个规则，比如 a|b 匹配a或b

五、分组提取()：Python正则表达式最实用的功能

在Python正则表达式中，用 () 把需要提取的内容包起来，就能精准获取目标数据，是爬虫、数据提取的核心技巧。分组后，用 group() 方法按顺序获取提取的内容：

• group(0)：获取整个匹配到的字符串（默认）
• group(1)：获取第一个分组的内容
• group(2)：获取第二个分组的内容，以此类推

# 示例：从文本中提取姓名和年龄
text = "姓名：小明，年龄：18，职业：学生"
# 用()包裹需要提取的内容：(\w+) 匹配姓名，(\d+) 匹配年龄
res = re.search(r"姓名：(\w+)，年龄：(\d+)", text)

# 提取分组内容
print(res.group(1))  # 输出：小明（第一个分组）
print(res.group(2))  # 输出：18（第二个分组）
print(res.group(0))  # 输出：姓名：小明，年龄：18（整个匹配）

六、经典实战案例（直接套用，小白友好）

下面给大家整理了Python正则表达式最常用的4个实战案例，每个案例都加了详细注释，新手可以直接复制使用，也可以根据需求修改。

案例1：手机号格式验证

国内手机号规则：1开头，第二位3-9，后面9位数字，共11位。

import re

def check_phone(phone):
    """
    验证手机号格式是否正确
    :param phone: 待验证的手机号字符串
    :return: 格式正确返回True，错误返回False
    """
    # ^ 匹配开头，$ 匹配结尾，确保整个字符串都是手机号
    # 1[3-9] 匹配1开头，第二位3-9，\d{9} 匹配后面9位数字
    pattern = r"^1[3-9]\d{9}$"
    # 用match匹配，成功则返回非None，否则返回None
    return re.match(pattern, phone) is not None

# 测试
print(check_phone("13812345678"))  # 输出：True（格式正确）
print(check_phone("123456"))        # 输出：False（位数不足）
print(check_phone("23812345678"))   # 输出：False（开头不是1）

案例2：邮箱格式验证

通用邮箱规则：用户名@域名.后缀，用户名支持字母、数字、下划线。

def check_email(email):
    """
    验证邮箱格式是否正确
    :param email: 待验证的邮箱字符串
    :return: 格式正确返回True，错误返回False
    """
    # ^\w+ 匹配开头的用户名（字母、数字、下划线）
    # @ 匹配@符号
    # \w+ 匹配域名
    # \.\w+ 匹配后缀（.com、.cn等）
    # $ 匹配结尾
    pattern = r"^\w+@\w+\.\w+$"
    return re.match(pattern, email) is not None

# 测试
print(check_email("test@example.com"))  # 输出：True
print(check_email("test_example.com"))  # 输出：False（缺少@）

案例3：从网页中提取所有链接

爬虫常用，从HTML源码中提取所有a标签的href链接。

# 网页HTML源码示例
html = '百度知乎'

# 正则规则：href="(https?://.*?)"
# https? 匹配http或https，:// 匹配固定部分，.*? 非贪婪匹配链接内容
# 用()包裹链接，提取分组内容
res = re.findall(r'href="(https?://.*?)"', html)
print(res)  # 输出：['https://www.baidu.com', 'https://www.zhihu.com']

案例4：去除文本中的所有特殊符号

保留中文、字母、数字，去除所有特殊符号、标点。

text = "abc!@#123&*()小明，你好！"

# 正则规则：[^\w\u4e00-\u9fa5]
# ^ 代表取反，\w 匹配字母数字下划线，\u4e00-\u9fa5 匹配所有中文字符
# 所以这个规则匹配所有非字母、非数字、非中文的字符
# 用sub把这些字符替换成空字符串，就完成了特殊符号的去除
res = re.sub(r"[^\w\u4e00-\u9fa5]", "", text)
print(res)  # 输出：abc123小明你好

七、贪婪匹配 vs 非贪婪匹配（Python正则避坑核心）

Python正则表达式默认是贪婪匹配：尽可能多的匹配字符；在数量符（*、+、?、{n,m}）后面加 ?，就会变成非贪婪匹配：尽可能少的匹配字符，是爬虫、数据提取最容易踩的坑。

import re

# 示例文本：两个div标签，需要分别提取每个div内的内容
text = "
hello
world
"

# 1. 贪婪匹配（默认）：.* 尽可能多匹配
# 结果：把两个div整个匹配了，只返回一个结果
res1 = re.findall(r"
.*
", text)
print("贪婪匹配结果：", res1)
# 输出：['
hello
world
']

# 2. 非贪婪匹配：.*? 尽可能少匹配
# 结果：分别匹配每个div，返回两个结果，符合预期
res2 = re.findall(r"
.*?
", text)
print("非贪婪匹配结果：", res2)
# 输出：['
hello
', '
world
']

总结：提取多个短内容时，一定要用 .*? 非贪婪匹配，避免贪婪匹配把多个内容当成一个匹配，导致提取结果错误。

八、高频易错点（避坑指南，新手必看）

整理了Python正则表达式开发中，新手最容易踩的4个坑，每个坑都标了原因和解决方法，看完这些，再也不会因为这些问题报错。

九、核心知识点总结（快速复习）