re 模块

Python 内置了 re 模块，它提供了对正则表达式的支持，所有操作都围绕这个模块展开。

• re.match(): 从字符串的开头进行匹配，如果开头不匹配，则返回 None。
• re.search(): 扫描整个字符串，返回第一个匹配到的结果。
• re.findall(): 扫描整个字符串，返回所有匹配到的结果，以列表形式。
• re.finditer(): 扫描整个字符串，返回一个迭代器，每次迭代返回一个匹配到的对象（更节省内存）。
• re.sub(): 替换字符串中匹配到的内容。

对于提取字符串，最常用的是 re.findall() 和 re.finditer()。

基础提取：re.findall()

这是最简单、最直接的方法，当你只需要获取匹配到的文本本身时，用它最方便。

语法

re.findall(pattern, string, flags=0)

• pattern: 正则表达式模式。
• string: 要搜索的字符串。
• flags: 可选，用于控制正则表达式的匹配方式，如忽略大小写等。

示例 1：提取所有数字

import re
text = "我的电话是13812345678，办公室电话是010-87654321，备用号码是9988。"
# \d 匹配任意一个数字（0-9）
pattern = r"\d+"
# + 表示匹配前面的元素（这里是\d）一次或多次
matches = re.findall(pattern, text)
print(matches)
# 输出: ['13812345678', '010', '87654321', '9988']

示例 2：提取所有邮箱地址

import re
text = "联系我们：邮箱1是zhangsan@example.com，邮箱2是li.si@work.org。"
# \w 匹配单词字符（a-z, A-Z, 0-9, _）
# . 在正则中是特殊字符，用\.来匹配字面上的点号
# + 表示匹配前面的元素一次或多次
# [a-z]+ 匹配一个或多个小写字母
pattern = r"[\w\.-]+@[\w\.-]+\.\w+"
matches = re.findall(pattern, text)
print(matches)
# 输出: ['zhangsan@example.com', 'li.si@work.org']

进阶提取：使用捕获组

当你需要从匹配到的复杂模式中提取特定部分时，就需要用到捕获组，也就是括号 。

捕获组的工作原理是：正则表达式引擎会匹配整个模式，但同时会把括号内的内容单独保存起来。

示例 3：提取带区号的电话号码，并分离区号和号码

假设我们有这样的文本 "北京: 010-12345678"，我们想分别得到区号 010 和号码 12345678。

import re
text = "北京: 010-12345678, 上海: 021-87654321"
# () 创建了两个捕获组
# 第一个捕获组 (\d+) 用于匹配区号
# 第二个捕获组 (\d+) 用于匹配电话号码
pattern = r"(\d+)-(\d+)"
matches = re.findall(pattern, text)
print(matches)
# 输出: [('010', '12345678'), ('021', '87654321')]

解释：

• re.findall() 在有多个捕获组时，会返回一个元组的列表，每个元组对应一次完整匹配，元组中的元素就是各个捕获组匹配到的内容。

最强大的提取：re.finditer() + Match 对象

re.finditer() 结合 Match 对象是功能最全、信息最丰富的提取方式，当你不仅需要提取文本，还需要知道文本在原字符串中的位置（索引）时，这个方法是无价的。

Match 对象的常用方法

• .group(): 返回匹配到的字符串。
• .group(1), .group(2): 返回指定捕获组匹配到的字符串。
• .groups(): 返回一个包含所有捕获组的元组。
• .start(): 返回匹配的起始索引。
• .end(): 返回匹配的结束索引。
• .span(): 返回一个包含起始和结束索引的元组 (start, end)。

示例 4：提取所有标题，并获取其位置

假设我们要从一个 HTML 片段中提取所有 <h1> 标签内的内容。

import re
html_text = """
<h1>欢迎来到我的网站</h1>
<p>这是一个段落。</p>
<h1>关于我们</h1>
<div>一些其他内容</div>
<h1>联系方式</h1>
"""
# <h1>(.*?)</h1>
# <h1> 匹配字面上的 "<h1>"
# (.*?) 这是一个捕获组
#   . 匹配除换行符外的任意字符
#   * 匹配前面的元素零次或多次
#   ? 使 * 变成“非贪婪模式”，即匹配尽可能少的字符，这样可以正确处理多个标签
# </h1> 匹配字面上的 "</h1>"
pattern = r"<h1>(.*?)</h1>"
# 使用 finditer 获取迭代器
for match in re.finditer(pattern, html_text):
    # 获取整个匹配的文本
    full_match = match.group(0)
    print(f"完整匹配: {full_match}")
    # 获取第一个捕获组的内容（也就是标题文本）text = match.group(1)
    print(f"提取标题: {title_text}")
    # 获取标题在原文中的位置
    start_pos = match.start()
    end_pos = match.end()
    print(f"位置: {start_pos} - {end_pos}")
    print("-" * 20)
# 输出:
# 完整匹配: <h1>欢迎来到我的网站</h1> 欢迎来到我的网站
# 位置: 0 - 19
# --------------------
# 完整匹配: <h1>关于我们</h1> 关于我们
# 位置: 33 - 43
# --------------------
# 完整匹配: <h1>联系方式</h1> 联系方式
# 位置: 62 - 72
# --------------------

编译正则表达式：re.compile()

如果你的同一个正则表达式要在循环中被多次使用（例如处理一个大文件的每一行），为了提高效率，可以预先将正则表达式编译成一个模式对象。

import re
# 预编译正则表达式
# 编译后的对象可以重复使用，效率更高
phone_pattern = re.compile(r"(\d{3})-(\d{8})")
text_lines = [
    "我的号码是 010-12345678",
    "请拨打 021-87654321 联系我们",
    "这个不是电话 123-456"
]
for line in text_lines:
    # 使用编译后的对象进行匹配
    match = phone_pattern.search(line)
    if match:
        # match 对象的方法和之前一样
        area_code = match.group(1)
        number = match.group(2)
        print(f"在行 '{line}' 中找到电话: 区号 {area_code}, 号码 {number}")
# 输出:
# 在行 '我的号码是 010-12345678' 中找到电话: 区号 010, 号码 12345678
# 在行 '请拨打 021-87654321 联系我们' 中找到电话: 区号 021, 号码 87654321

重要技巧与注意事项

原始字符串 r"..."

在 Python 中定义正则表达式时，强烈建议在字符串前加上 r，r"\d+"。

• 原因：反斜杠 \ 在普通字符串中是转义字符（如 \n 换行），在正则表达式中，\ 也是特殊字符（如 \d 表示数字），如果不用原始字符串，你就需要写成 "\\d+"，第一个 \ 转义了第二个 \，才能表示一个字面上的 \，使用原始字符串可以避免这种混乱。

贪婪模式 vs. 非贪婪模式

• 贪婪模式（默认）：, , , {m,n} 等量词会匹配尽可能多的字符。

  text = "<div>内容1</div><div>内容2</div>"
  pattern = r"<div>(.*)</div>" # 贪婪模式
  print(re.findall(pattern, text))
  # 输出: ['内容1</div><div>内容2']  # 错误！它匹配了从第一个 <div> 到最后一个 </div> 之间的所有内容

• 非贪婪模式：在量词后加上 ，会匹配尽可能少的字符。

  text = "<div>内容1</div><div>内容2</div>"
  pattern = r"<div>(.*?)</div>" # 非贪婪模式
  print(re.findall(pattern, text))
  # 输出: ['内容1', '内容2'] # 正确！

  在处理嵌套标签或结构时,非贪婪模式 () 通常是更安全的选择。

常用正则表达式速查表

希望这份详细的指南能帮助你熟练掌握 Python 中使用正则表达式提取字符串的技巧！