正则表达式入门：从模式匹配到文本提取的实战指南

简介：这份资源是面向Python初学者与进阶学习者的正则表达式专题学习资料，以PDF文档形式呈现，适合正在系统学习Python文本处理、数据清洗或爬虫开发的读者，用于补齐正则匹配与提取这一关键技能点。压缩包内共1个PDF文件，大小约661KB，内容围绕正则表达式的基础语法与实战应用展开，涵盖元字符、字符集、量词、分组捕获、贪婪与非贪婪匹配等核心知识点，并配有Python中re模块常用函数的用法说明与示例。目前已有260人学习下载，说明该主题在Python学习路径中具有稳定的关注度。读者可通过这份文档快速建立正则表达式的知识框架，掌握在字符串查找、替换、校验等场景下的实际写法，为后续处理日志解析、表单验证、网页信息抽取等任务打下基础，也可作为日常查阅的速查参考。

1. 正则表达式到底在干嘛：一个“找东西”的万能公式

你有没有过这种经历：在一份几千行的日志里，想找出所有带“error”的行；或者在一堆用户填的手机号里，挑出格式不对的那些。手动翻？眼睛会瞎。用查找替换？又不够灵活。这时候，正则表达式就该出场了。

通俗地说，正则表达式就是一套用来描述“文字长什么样”的公式。它不是具体的某段文字，而是一个模式。比如你想找“三个数字后面跟一个横杠，再跟四个数字”，你不用把每个可能的号码都列出来，只需要写一个模式，让程序拿着这个模式去文本里“对号入座”。它存在的理由很简单：人找文字靠眼睛和直觉，计算机找文字靠规则，而正则就是人和计算机之间关于“文字规则”的通用语言。搞懂它，你就能让程序帮你干那些枯燥又容易看走眼的文本筛选活儿。

2. 为什么非得用正则：从“笨办法”到“聪明模式”

2.1 没有正则的时候，我们是怎么找文本的

假设你手里有一份系统日志，想找出所有包含“登录失败”的行。最直接的办法是写个循环，逐行判断if "登录失败" in line。这招在关键词固定的时候挺好用，代码也直白。但需求稍微一变，麻烦就来了：如果“登录失败”中间可能夹着空格，或者“登录”和“失败”之间还有别的字，比如“登录验证失败”“登录尝试失败”，这个简单的包含判断就歇菜了。你可能会想到用line.find("登录")和line.find("失败")分别找位置，再比较先后顺序，代码立刻变得又长又容易出错。这就是没有正则时的典型困境：每多一种变化，就得多写一堆判断逻辑，维护起来像在补一件到处是洞的衣服。

2.2 正则的“模式思维”：一次描述，到处匹配

正则换了个思路。它不关心具体是“登录失败”还是“登录验证失败”，它只关心“登录”和“失败”这两个词是否按顺序出现，中间隔了什么都行。用正则写出来就是登录.*失败。这里的.*就像一个占位符，意思是“这里可以有任意多个任意字符”。你看，原本需要好几行代码才能说清的事，一个模式就搞定了。这种“描述规则”的能力，让正则特别擅长处理那些“大概长这样，但细节有变化”的文本。比如从网页源码里提取所有链接、从配置文件里抓出所有 IP 地址、验证用户输入的邮箱格式对不对，这些都是正则的拿手好戏。

2.3 一个最小可用的例子：把手机号从文本里揪出来

光说概念有点飘，看个具体例子。假设有一段文字，里面混着手机号和其它数字，我们想把 11 位的手机号找出来。手机号的规则是：1 开头，第二位通常是 3 到 9，后面跟着 9 个数字。用正则描述就是1[3-9]\d{9}。拆开看：1就是字面的数字 1；[3-9]表示这一位可以是 3 到 9 中的任意一个数字；\d代表任意一个数字，{9}表示前面那个\d要重复 9 次。合起来就是“1 开头，第二位 3 到 9，后面再跟 9 个数字”，正好 11 位。

import re text = "联系我：13812345678，备用：12345678901，座机：010-88886666" # 定义手机号模式：1开头，第二位3-9，后面9个数字 pattern = r"1[3-9]\d{9}" phones = re.findall(pattern, text) print(phones) # 输出：['13812345678']

这段代码里，re.findall的作用是把文本里所有符合模式的部分都找出来，返回一个列表。pattern前面的r表示这是一个原始字符串，避免反斜杠被 Python 提前转义。运行结果是只找到了13812345678，因为12345678901虽然也是 11 位，但第二位是 2，不符合[3-9]的规则。你看，正则帮我们自动完成了“筛选”这个动作，我们只需要把规则说清楚就行。

3. 正则的常用“零件”：元字符、量词和分组

3.1 元字符：那些有特殊含义的符号

正则里有一批符号不表示它们本身，而是表示一类字符或一种位置，这些符号叫元字符。最常见的几个：.表示任意一个字符（默认不包括换行）；\d表示任意一个数字，等价于[0-9]；\w表示字母、数字或下划线；\s表示空白字符，包括空格、制表符。还有^和$，分别表示一行的开头和结尾。比如^\d+$就表示“整行必须全部是数字，不能有别的”。这些元字符是构成模式的基本积木，记住它们，你就能拼出大部分日常需要的规则。

3.2 量词：控制“重复几次”的开关

光有元字符还不够，我们经常需要表达“重复若干次”。量词就是干这个的。*表示前面的东西出现 0 次或多次；+表示 1 次或多次；?表示 0 次或 1 次；{n}表示恰好 n 次；{n,m}表示 n 到 m 次。举个例子，\d+表示“一个或多个数字”，可以匹配1、123、9999。而\d{3,5}表示“3 到 5 个数字”，能匹配123、1234、12345，但不会匹配12或123456。量词默认是“贪婪”的，也就是尽可能多匹配。比如对字符串aaa用a+，它会一口气匹配全部三个 a。如果在量词后面加个?，比如a+?，就变成“懒惰”模式，尽可能少匹配，只匹配一个 a 就收手。这个区别在提取 HTML 标签内容时特别有用，后面会提到。

3.3 分组与捕获：把匹配到的内容“拎出来”

有时候我们不只是想知道“有没有匹配”，还想把匹配到的某一部分单独取出来。这时候就用圆括号()把需要提取的部分括起来，这叫分组。分组匹配到的内容会被“捕获”，可以通过编号或名字来引用。比如从日期2025-03-21里分别提取年、月、日，可以写成(\d{4})-(\d{2})-(\d{2})。第一个括号捕获年份，第二个捕获月份，第三个捕获日期。在 Python 的re模块里，用group(1)、group(2)就能拿到这些部分。

import re date_str = "今天是2025-03-21，明天是2025-03-22" # 三个分组分别对应年、月、日 pattern = r"(\d{4})-(\d{2})-(\d{2})" matches = re.finditer(pattern, date_str) for m in matches: print(f"年：{m.group(1)}，月：{m.group(2)}，日：{m.group(3)}") # 输出： # 年：2025，月：03，日：21 # 年：2025，月：03，日：22

re.finditer返回一个迭代器，每次拿出一个匹配对象。group(1)到group(3)分别对应三个括号里的内容。如果不分组，整个匹配到的字符串可以用group(0)拿到。分组让正则从“只判断有没有”升级到“还能提取关键信息”，实用性大大增强。

4. 容易搞混的几个概念：别把正则当通配符

4.1 易混点一：正则的*和文件通配符的*

很多人第一次接触正则是在命令行里用ls *.txt，以为*就是“任意字符”。但在正则里，*是量词，表示“前面的东西重复 0 次或多次”，它不能单独使用。*.txt在正则里是错的，因为*前面没有东西可重复。正则里表示“任意字符”的是.，所以“任意字符重复多次再跟 .txt”应该写成.*\.txt。注意那个\.，因为.在正则里是元字符，要匹配真正的点号必须用反斜杠转义。这个区别坑过不少人，记住：通配符的*代表任意字符，正则的*代表重复次数。

4.2 易混点二：^和$在多行模式下的行为

^匹配字符串开头，$匹配字符串结尾，这是默认行为。但如果你处理的是多行文本，想让^和$匹配每一行的开头和结尾，就需要开启多行模式。在 Python 里，给re.compile或re.findall传一个re.MULTILINE标志就行。不开多行模式时，^只认整个文本的第一个字符位置，$只认最后一个字符位置。开了之后，每个换行符后面的位置都被视为行首，每个换行符前面的位置被视为行尾。这个细节在逐行分析日志时特别关键，忘了开多行模式，匹配结果会少得让你怀疑人生。

4.3 易混点三：贪婪匹配和懒惰匹配

前面提过量词默认贪婪，但很多人第一次遇到时还是会懵。比如要从<div>内容</div><div>更多</div>里提取第一个 div 的内容，用<div>.*</div>会一口气匹配到最后一个</div>，因为.*贪婪地吃掉了中间所有的东西。改成<div>.*?</div>，.*?变成懒惰模式，匹配到第一个</div>就停。这个?加在量词后面就是“别贪心，见好就收”的意思。处理 HTML 或 XML 片段时，懒惰匹配几乎是必备技巧，否则提取出来的东西会比你想要的长一大截。

4.4 易混点四：match和search的区别

Python 的re模块里，re.match和re.search长得像，行为却不同。re.match只从字符串开头开始尝试匹配，如果开头对不上就直接返回None。re.search则会扫描整个字符串，找到第一个匹配的位置就返回。举个例子，对字符串"abc123"用模式\d+，re.match返回None，因为开头是字母不是数字；re.search则返回123。很多人写代码时随手用了match，结果明明文本里有目标却死活匹配不到，排查半天才发现是起点问题。想在整个字符串里找，就用search或findall。

4.5 易混点五：转义字符的“套娃”

正则里用反斜杠\来转义元字符，比如\.表示真正的点号。但在 Python 字符串里，反斜杠本身也有转义含义。如果你写"\d"，Python 会先处理字符串转义，发现\d不是合法转义序列，可能会报警告或直接保留。为了省心，写正则时一律用原始字符串r"\d"，这样 Python 就不插手，直接把\d原样交给正则引擎。这个习惯能帮你避开很多莫名其妙的报错，尤其是模式里包含\b、\n这类既是正则元字符又是字符串转义符的情况。

5. 什么时候该用正则，什么时候该绕开

正则是个好工具，但不是万能锤。判断标准很简单：看你的文本有没有“规律”，以及这个规律复不复杂。

适合用的场景：格式验证，比如检查用户输入的邮箱、手机号、身份证号是否符合基本格式；批量提取，比如从一堆日志里抓出所有 IP 地址、时间戳、订单号；简单替换，比如把文本里所有连续多个空格换成一个空格。这些场景的共同点是规则清晰、文本结构不嵌套。

不适合用的场景：解析 HTML 或 JSON 这种嵌套结构。正则处理嵌套能力很弱，写出来的模式又长又难维护，还容易漏掉边界情况。这种活儿应该交给专门的解析库，比如解析 HTML 用 BeautifulSoup，解析 JSON 用json模块。另外，如果只是找固定字符串，比如在一段文字里找“你好”，直接用in判断或者str.find就够了，没必要上正则，杀鸡用牛刀反而让代码更难读。

我自己的习惯是：动手写正则之前，先问自己三个问题——文本有规律吗？规律能用一两行说清吗？需要提取或替换吗？三个都是“是”，就放心用正则；只要有一个“否”，就停下来想想有没有更合适的工具。有一次我图省事，用正则去解析一个结构稍微复杂的配置文件，结果模式越写越长，最后自己都看不懂了，调试花了两个小时。从那以后，我每次写超过一行的正则，都强制先拿几条真实数据跑一遍re.findall看看结果，确认没问题再放进代码里。希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取