进阶修炼与毕业 · 进阶与毕业

第28章 文本搜救队

正则表达式

第 28 章 文本搜救队:正则表达式

📖 本章目标:掌握 re 模块的常用功能,学会用一套"咒语"在文本里精确搜索。
学完本章,你能从一大段文字里准确抓出电话号码、邮箱、手机号,还能批量替换。
正则表达式是"文本世界的万能钥匙"——爬虫、数据清洗、日志分析都靠它。


【开场小剧场】在一千条消息里找电话号码

学生: 皮皮,我的聊天记录里混着一堆电话号码,我要一个个找出来,眼睛都花了!

皮皮: 人类干这活,纯属自虐。这种"在文本里按规律找东西"的事,就该交给正则表达式(regex)。

学生: 正则表达式?听起来像魔法咒语。

皮皮: 它就是咒语!一串"模式字符串",描述"我要找什么样子的东西"。Python 用 re 模块念这串咒语,一秒找到你要的所有电话。今天,你就是文本搜救队的队长。

学生: 那我是不是要把每个电话都背下来告诉它?

皮皮: 不用!你只要告诉它规律:"1 开头的 11 位数字"。剩下的,它自己找。这才是正则的精髓——你不用报出目标,你报出特征。


28.1 正则表达式:用"模式"描述要搜的东西

正则表达式是一串描述"特征"的字符串。比如:

它不关心"具体是哪一个",只关心"符不符合这个规律"。 这正是它和"字符串查找"最大的区别:"abc" in text 找死文字,正则找活的规律。

换例加深:一个找,一个筛

text = "天气 25 度,风力 3 级"

# 字符串查找:只能找"固定写死"的字
print("天气" in text)      # True(字面查找)

# 正则:找"数字"这个规律,不管它在哪
import re
print(re.findall(r"\d", text))   # ['2', '5', '3']

"天气" in text 问的是"有没有天气这两个字";正则问的是"有没有数字这种规律"。 一个要背答案,一个只要懂规则——这就是正则强大的原因。

💡 场景判断:内容固定不变 → 用 in;内容"有规律但不固定" → 用正则。比如"第 3 题"里的数字会变,"第 ? 题"就该正则出马。


28.2 基础零件:字符类和预定义字符

字符类(方括号):匹配其中一个

模式 含义 匹配例子
[abc] a、b、c 中的任意一个 a / b / c
[a-z] 任意小写字母 q, x, z
[0-9] 任意数字 3, 7
[a-zA-Z] 任意英文字母 a, Z
[^0-9] 不是数字的任意字符 A, 好

预定义字符(反斜杠家族)

模式 含义 相当于
\d 数字 [0-9]
\D 非数字 [^0-9]
\w 字母、数字、下划线 [a-zA-Z0-9_]
\W 非字母数字下划线 [^a-zA-Z0-9_]
\s 空白(空格/换行/制表) [ \t\n]
\S 非空白 [^ \t\n]
. 任意字符(除换行) ——

举例:匹配一个"数字 + 任意两个字符"

import re

text = "价格是 15元,重量 3.5kg"
print(re.findall(r"\d..", text))   # ['15元', '3.5k']

逐行拆解:
- \d:先匹配一个数字(这里命中 1 和 3);
- ..:两个任意字符紧随其后;
- findall 从文本里找出所有符合"数字+2个字符"的片段:第一个 15元,第二个 3.5k(3 后面跟 .5 两个字符);
- 注意 3.5kg 里的 . 被当成"任意字符"吞进去了——这正说明.很"贪婪",后面 28.6 会讲怎么收拾它。

换例加深:[^] 取反的用法

text = "密码:Abc#123"
print(re.findall(r"[^a-zA-Z0-9]", text))   # [':', '#'] —— 把"不是字母数字"的抓出来

[^...] 是"除了这些,都要"。 检查密码里有没有特殊字符,就是这么干的。

⚠️ 正则里反斜杠很多,字符串前面记得加 r(raw string,原始字符串):r"\d"。不写 r,"\d" 里的 \d 会被 Python 当转义处理,容易出错。写正则一律 r"..."。


28.3 量词:匹配"几个"

模式 含义 例子
* 0 个或更多 \d* 数字出现任意次(含 0 次)
+ 1 个或更多 \d+ 至少一个数字
? 0 个或 1 个 \d? 最多一个数字
{n} 正好 n 个 \d{11} 正好 11 个数字
{n,m} n 到 m 个 \d{3,4} 3~4 个数字

看个例子:找连续的数字串

import re

text = "体重 65kg,身高 178cm,年龄 30"
print(re.findall(r"\d+", text))    # ['65', '178', '30'] —— + 匹配连续数字

print(re.findall(r"\d{2}", text))  # ['65', '17', '30'] —— 每两个一组

逐行拆解:
- \d+:\d 只匹配一个数字,加上 + 才匹配连续一串;65、178、30 各成一段;
- \d{2}:正好两个数字一组;178 被切成了 17 和 8——只够 2 位一组,多的被单独丢开(8 后面没有第二个数字,匹配不到);
- 注意 + 的作用: 想抓完整数字,必须用 + 或 {n}。

换例加深:? 和 {n,m} 的组合

print(re.findall(r"\d{3,4}", "电话 13800,座机 010-1234"))
# ['1380', '0101']  ← 尽量多匹配(贪婪),取 4 位

{3,4} 表示"最少 3 个、最多 4 个",正则默认贪婪——能多取就多取,所以 13800 取前 4 位 1380。想精确抓 11 位手机号,直接写 1\d{10} 更稳。

🐍"皮皮注:量词口诀——* 是"要不要都行",+ 是"至少有一个",? 是"有一个最好"。记住这个,量词不犯晕。"


28.4 re 模块四大天王

函数 作用 返回
re.findall(模式, 文本) 找出所有匹配 列表
re.search(模式, 文本) 找第一个匹配 匹配对象或 None
re.match(模式, 文本) 从开头匹配 匹配对象或 None
re.sub(模式, 替换, 文本) 替换所有匹配 新字符串

找所有:findall

import re

text = "电话 13800138000,备用 13900139000"
phones = re.findall(r"1\d{10}", text)    # 1 开头 + 10 个数字
print(phones)    # ['13800138000', '13900139000']

逐行拆解:
- 1\d{10}:1 开头,后面正好 10 个数字,合计 11 位;
- findall 把两串电话全部抓出来,返回列表。

找第一个:search(和 match 的区别)

text = "我的 QQ 是 123456"

m = re.search(r"\d+", text)
print(m.group())       # 123456(search 在文本任意位置找)

m = re.match(r"\d+", text)   # match 必须从开头匹配
print(m)               # None(因为开头是"我的",不是数字)

逐行拆解:
- re.search:在任意位置找第一个,找到返回"匹配对象";
- m.group():从匹配对象里取出匹配到的内容;
- re.match:必须从开头匹配;开头是"我的"不是数字,所以返回 None。

match 和 search 的区别就一句话:match 死磕开头,search 到处找。 校验格式(必须从开头到结尾符合)用 match,在长文本里找东西用 search。

替换:sub

text = "卡号 1234-5678,别告诉别人!"
safe = re.sub(r"\d", "*", text)     # 所有数字换成 *
print(safe)    # 卡号 ****-****,别告诉别人!

逐行拆解:
- re.sub(模式, 替换, 文本):三个参数,顺序固定——模式、替换成什么、在哪替换;
- 文本里每个数字都被换成 *,返回新字符串(原文本不变)。

配套代码文件:code/ch28/extract_phone.py。

💡 记忆锚点: findall="全要"、search="第一个"、match="只认开头"、sub="全部替换"。这四个词背下来,re 模块就抓住一半了。


28.5 分组:用括号"打包"抓取

( ) 可以把匹配的内容分组保存,方便单独取出来:

import re

text = "小明:18岁,小红:22岁"
pattern = r"(\w+):(\d+)岁"          # 两个分组:名字、年龄
matches = re.findall(pattern, text)

print(matches)    # [('小明', '18'), ('小红', '22')]

逐行拆解:
- (\w+):第 1 组,抓名字(一串字母数字下划线);
- ::冒号 必须原样匹配;
- (\d+):第 2 组,抓年龄;
- 岁:字面匹配"岁"字;
- findall:有分组时,返回元组列表——每对 (名字, 年龄)。

findall 有分组时,返回的是"元组的列表",每组一个值。 这在提取"成对信息"(姓名-年龄、邮箱-用户名)时特别好用。

换例加深:抓所有邮箱的用户名

text = "联系 peter@qq.com 或 lily@163.com"
pattern = r"(\w+)@(\w+\.\w+)"       # 分组1=用户名,分组2=域名
print(re.findall(pattern, text))
# [('peter', 'qq.com'), ('lily', '163.com')]

一次抓出"用户名"和"域名"两栏,配合后续处理非常方便。

🐍"皮皮注:分组就像在纸上画圈——不仅找到那段字,还把它分成几个格子,一格一格给你。取数据的时候爽翻天。"


28.6 特殊符号要转义:点号的坑

. 在正则里是"任意字符"。想匹配真正的点号(比如邮箱 abc@qq.com 里的 .),必须转义 \.:

import re

# ❌ 没转义:`.` 匹配任意字符,会多匹配
print(re.findall(r"qq.com", "abc@qq.com 我超爱 qqXcom"))
# ['qq.com', 'qqXcom']   ← 第二个不该出现!

# ✅ 转义:只匹配真正的点
print(re.findall(r"qq\.com", "abc@qq.com 我超爱 qqXcom"))
# ['qq.com']              ← 只有真的点

逐行拆解:
- 第一个:qq.com 里 . 是"任意字符",所以 qqXcom 的 X 也符合;
- 第二个:qq\.com 里 \. 表示"真正的点",只有 qq.com 命中。

规律:正则里想匹配特殊字符本身(.、*、+、?、( )、[ ]),前面都加反斜杠 \。 这是新手最高频的翻车点。

换例加深:转义一个字符全家

# 想匹配数学式 "3*5"
print(re.findall(r"3\*5", "3*5 和 3x5"))    # ['3*5']  ← 只有真正的星号
print(re.findall(r"3*5", "3*5 和 3x5"))
# ['3', '', '', '5', '', '']  ← 乱套了!* 是量词,整个模式含义全变

没转义 *,它从"星号"变成了"前面的 3 出现 0 次或多次"——模式含义彻底跑偏。记住:凡是正则里有特殊含义的符号,想匹配它本身,一律 \ 转义。


28.7 实战一:邮箱格式校验

import re

def check_email(email):
    """检查邮箱格式:用户名@域名.后缀"""
    pattern = r"[\w.]+@[\w.]+\.\w+"
    if re.match(pattern, email):
        print(f"✅ {email} 格式正确")
    else:
        print(f"❌ {email} 格式不对")

check_email("peter.ma@qq.com")    # ✅
check_email("hello@")             # ❌
check_email("nobody@@qq.com")     # ❌(用户名部分不允许 @@)

逐行拆解:
- [\w.]+:一串字母数字或点(用户名,允许 peter.ma 这种);
- @:必须有个 @;
- [\w.]+:域名部分(如 qq);
- \.:一个真正的点;
- \w+:后缀(如 com);
- re.match:从开头开始,整段都要符合才算对——"hello@" 缺了域名和后缀,直接被判错。

校验类任务统一用 re.match:它要求"从开头就得对",配合整串模式,天然就是"格式校验"。

换例加深:手机号格式校验

def check_phone(phone):
    pattern = r"1[3-9]\d{9}"      # 1 开头,第二位 3-9,后面 9 位
    if re.match(pattern, phone):
        print(f"✅ {phone} 是合法手机号")
    else:
        print(f"❌ {phone} 不是")

check_phone("13800138000")    # ✅
check_phone("12800138000")    # ❌(第二位是 2,不在 3-9)

[3-9] 把第二位限制在 3 到 9——比"1 开头 11 位"精确得多,排除了 12x、12x 这些不可能的手机号段。

配套代码文件:code/ch28/check_email.py。


28.8 实战二:清洗文本

网页或聊天记录里常混着标签、多余空白,用 sub 一键清洗:

import re

html = "<p>你好</p><p>世界</p>  <b>Python</b>"

# 去掉 HTML 标签
text = re.sub(r"<[^>]+>", "", html)     # <[^>]+> 匹配一个标签
print(text)    # 你好世界  Python

# 多个空白压缩成一个
text2 = re.sub(r"\s+", " ", text)
print(text2)   # 你好世界 Python

逐行拆解:
- <[^>]+>:< 开头,[^>]+ 是"一个或多个不是 > 的字符",> 结尾——正好描述"一个 HTML 标签";
- re.sub(..., "", html):把所有标签替换成空字符串,即删掉;
- \s+:一个或多个空白(空格、换行都算);
- 替换成单个空格 → 多个空白被压成一个。

这就是"爬虫后处理"的标准动作:先删标签,再压空白,得到干净文本。 数据清洗的所有活,几乎都在 re.sub 一个函数里。

配套代码文件:code/ch28/clean_text.py。

🐍"皮皮注:正则这块,熟能生巧。别指望一次背完——先记死四个函数(findall/search/match/sub)、三张表(字符类/预定义/量词),用到再查。会拼、会改,就是高手。"


【皮皮小课堂】本章要点


【翻车现场】本章的坑

坑 1:忘了加 r,转义错乱

re.findall("\d+", "abc123")    # 最好别这样!

"\d" 里 \d 在普通字符串里是非法转义(Python 3.12+ 会警告),语义还可能出错。写正则一律 r"\d+"。

坑 2:. 匹配了不想要的

re.findall(r"qq.com", "qqXcom")   # ['qqXcom'] ← 点号匹配了 X!

. 是"任意字符"。想匹配真正的点,写 \.。

坑 3:\d 只匹配一个数字,忘了用 +

re.findall(r"\d", "2026年")    # ['2', '0', '2', '6'] ← 一个数字一个
re.findall(r"\d+", "2026年")   # ['2026'] ← 一串

\d 只抓单个数字。想抓连续数字串,用 \d+ 或 \d{n}。

re.match(r"\d+", "abc123")    # None!match 必须从开头匹配
re.search(r"\d+", "abc123")   # '123' search 任意位置

match 死磕开头,search 到处找。 想"在整段文本里找",用 search 或 findall。

坑 5:findall 有分组时,返回值变了

re.findall(r"(\w+)@(\w+\.\w+)", "a@b.com")   # [('a', 'b.com')] ← 元组

没有分组返回字符串列表;有分组返回元组列表。 忘了这点,取到的数据结构和你想的不一样。

坑 6:正则"逐字匹配",中间多了空格就找不到

re.findall(r"1\d{10}", "电话 138 0013 8000")   # [] ← 中间有空格,匹配不到!

正则要求字符一个接一个连续出现。"138 0013 8000" 里有空格,1\d{10} 根本连不上。真实数据常带空格、短横线,匹配时要么先清洗,要么模式里写清楚:

import re
print(re.findall(r"1\d{3}[ -]?\d{4}[ -]?\d{4}", "电话 138-0013-8000"))
# ['138-0013-8000']  ← 允许 0 或 1 个空格/短横线

[ -]? 表示"可能有空格或短横线"。 正则很较真,数据不干净就匹配不上——这不算 bug,是规律。


【本章习题】

一、选择题

1. (★) 正则 \d+ 能匹配下面哪个?

2. (★★) 想在"qq.com"里匹配真正的点号,应该写?

3. (★★) re.findall(r"(\w+):(\d+)", "小明:18") 返回什么?

4. (★★ 多选) 关于 re.match 和 re.search,正确的是?

5. (★★ 多选) 下列正则量词,含义正确的是?

二、判断题

1. (★) 正则表达式里的 \d 可以匹配字母。( )

2. (★★) re.sub(r"\d", "*", "a1b2") 返回 "a*b*"。( )

3. (★★) 匹配大陆手机号可以用 r"1\d{10}"。( )

4. (★★) re.findall(r"\w+", "abc 123") 会返回 ['abc', '123']。( )

三、代码纠错题

1. (★★) 下面的代码想匹配邮箱里的 qq.com,但把 qqXcom 也匹配了,请改正:

import re

text = "邮箱是 a@qq.com,还有 qqXcom"
print(re.findall(r"qq.com", text))

2. (★★) 想提取所有"4 位-2 位-2 位"的日期,下面的代码把 20-8-1 这种短数字也抓出来了,请改进模式:

import re

text = "今天 2026-08-10,节选于 20-8-1"
print(re.findall(r"\d+-\d+-\d+", text))    # 把 20-8-1 也抓出来了

四、编程实战题

1. (基础 ★) 用正则从句子 "我的电话是 13800138000,打给我" 里提取出电话号码并打印。

2. (基础 ★★) 写一个函数 extract_dates(text),用 findall 提取所有 2026-08-10 这种 4位-2位-2位 的日期。

3. (基础 ★★) 写一个函数 count_digits(text),统计一段文本里数字出现的总次数(如 "a1b22" 里有 3 个数字)。

4. (挑战 ★★★) 写一个函数 mask_phone(text):把文本里所有 1 开头的 11 位手机号,中间 4 位替换成 ****(如 13800138000 → 138****8000)。提示:分组 + sub 替换。



【参考答案与解析】

一、选择题

1. 答案:C
\d+ 匹配连续数字串。A 是 \d* 才能匹配;B 无数字;D 含点号。

2. 答案:B
. 在正则里是任意字符,想匹配真点号要转义 \.。

3. 答案:B
有分组时 findall 返回元组列表:[('小明', '18')]。

4. 答案:A、B、C、D
A 对:match 从开头;B 对:search 任意位置;C 对:都返回 None;D 对:findall 返回列表。

5. 答案:A、B、C、D
A 对:+ 一个或多个;B 对:* 零个或多个;C 对:? 零个或一个;D 对:{n} 正好 n 个。

二、判断题

1. 错误(×)。\d 只匹配数字,字母用 \w 或 [a-z]。

2. 正确(√)。sub 把 a1b2 里每个数字替换成 *,得到 a*b*。

3. 正确(√)。1 开头 + 10 位数字 = 11 位大陆手机号(简化版)。

4. 正确(√)。\w+ 匹配连续的字母数字下划线;空格断开,分成 ['abc', '123']。

三、代码纠错题

1. 解析: 正则里 . 是任意字符,匹配了 qqXcom。改正:转义点号:

import re

text = "邮箱是 a@qq.com,还有 qqXcom"
print(re.findall(r"qq\.com", text))    # ['qq.com']

2. 解析: \d+ 太宽松,"20-8-1" 也符合。改用 \d{4} 限定年必须是 4 位:

import re

text = "今天 2026-08-10,节选于 20-8-1"
print(re.findall(r"\d{4}-\d{2}-\d{2}", text))    # ['2026-08-10']

核心: 量词越具体,匹配越精确。想锁死位数就用 {n},别偷懒用 +。

四、编程实战题

1. 参考代码:

import re

text = "我的电话是 13800138000,打给我"
print(re.findall(r"1\d{10}", text))    # ['13800138000']

2. 参考代码:

import re

def extract_dates(text):
    pattern = r"\d{4}-\d{2}-\d{2}"
    return re.findall(pattern, text)

print(extract_dates("今天 2026-08-10,明天 2026-08-11,节选于2003"))  
# ['2026-08-10', '2026-08-11']

3. 参考代码:

import re

def count_digits(text):
    return len(re.findall(r"\d", text))

print(count_digits("a1b22"))      # 3
print(count_digits("电话 1380"))  # 4

解析: findall(r"\d", text) 把每个数字单独拆出来,len 数个数——"数字总次数"就这么算。

4. 参考代码:

import re

def mask_phone(text):
    # 分组1:1+3位,分组2:4位,分组3:4位 → 中间 4 位换成 ****
    pattern = r"(1\d{3})(\d{4})(\d{4})"
    return re.sub(pattern, r"\1****\3", text)

print(mask_phone("联系电话 13800138000,备用 13911112222"))
# 联系电话 138****8000,备用 139****2222

解析: \1、\3 在替换串里引用第 1、3 个分组,中间分组直接换成 ****。这就是"部分脱敏"的标准写法。

🐍"皮皮注:正则学完,你已经是'文本搜救队队长'了。下一章,把三个高频工具库(os / datetime / json)一次打包——批量改文件名、算日期倒计时、存配置文件,全是实操硬货。"


📖 下一章,工具箱巡礼:os / datetime / json 实战。

📦 本章配套代码

运行方式:命令行进入目录后执行 py 文件名.py(Windows)或 python3 文件名.py(Mac/Linux)