Python进阶教程：正则表达式进阶与文本处理

1
import re
2

3
# 常用元字符
4
# . 任意字符  \d 数字  \w 单词字符  \s 空白
5
# * 零次或多次  + 一次或多次  ? 零次或一次
6
# {n} 恰好n次  {n,m} n到m次  ^ 开头  $ 结尾
7

8
# 基础匹配
9
print(re.findall(r"\d+", "订单123号，金额456元"))  # ["123", "456"]

1
import re
2

3
text = "张三的电话是138-1234-5678"
4

5
# 分组捕获
6
match = re.search(r"(\d{3})-(\d{4})-(\d{4})", text)
7
if match:
8
    print(match.group(0))  # 138-1234-5678 整体
9
    print(match.group(1))  # 138
10
    print(match.group(2))  # 1234
11
    print(match.group(3))  # 5678
12

13
# 命名分组
14
match = re.search(r"(?P<area>\d{3})-(?P<mid>\d{4})-(?P<last>\d{4})", text)
15
print(match.group("area"))  # 138

1
import re
2

3
html = "<div>内容1</div><div>内容2</div>"
4

5
# 贪婪模式：尽可能多匹配
6
greedy = re.findall(r"<div>.*</div>", html)
7
print(greedy)  # ["<div>内容1</div><div>内容2</div>"]
8

9
# 非贪婪模式：加 ?
10
lazy = re.findall(r"<div>.*?</div>", html)
11
print(lazy)  # ["<div>内容1</div>", "<div>内容2</div>"]

1
import re
2

3
text = "价格：$100，折扣价：$80"
4

5
# 正向断言 (?=...) 匹配后面跟着的内容
6
prices = re.findall(r"\d+(?=元)", "苹果5元，香蕉3元")
7
print(prices)  # ["5", "3"]
8

9
# 反向断言 (?<=...)
10
prices2 = re.findall(r"(?<=\$)\d+", text)
11
print(prices2)  # ["100", "80"]

1
import re
2

3
# re.IGNORECASE 忽略大小写
4
print(re.findall(r"python", "Python PYTHON python", re.IGNORECASE))  # 3个
5

6
# re.MULTILINE ^ $ 匹配每行
7
text = "line1
8
line2
9
line3"
10
print(re.findall(r"^line", text, re.MULTILINE))  # ["line", "line", "line"]

1
import re
2

3
# 简单替换
4
print(re.sub(r"\d+", "#", "订单123金额456"))  # 订单#金额#
5

6
# 回调函数替换
7
def hide_phone(match):
8
    return match.group(0)[:3] + "****" + match.group(0)[-4:]
9

10
text = "联系：13812345678 或 13987654321"
11
print(re.sub(r"1\d{10}", hide_phone, text))
12
# 联系：138****5678 或 139****4321

1
import re
2

3
# 预编译（推荐）
4
phone_pattern = re.compile(r"1[3-9]\d{9}")
5

6
text = "电话1：13812345678，电话2：15987654321"
7
print(phone_pattern.findall(text))  # 两个号码
8
print(phone_pattern.search(text).group())  # 第一个号码

1
import re
2
from collections import Counter
3

4
log_text = """
5
2026-08-14 10:00:01 ERROR 数据库连接失败
6
2026-08-14 10:00:05 INFO 用户登录成功
7
2026-08-14 10:00:10 ERROR 接口超时
8
2026-08-14 10:01:02 INFO 用户登出
9
2026-08-14 10:01:30 WARN 磁盘空间不足
10
"""
11

12
def parse_log(text):
13
    """解析日志，统计各级别数量"""
14
    pattern = re.compile(r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2} (ERROR|INFO|WARN) (.+)")
15
    levels = Counter()
16
    for line in text.strip().splitlines():
17
        match = pattern.match(line)
18
        if match:
19
            levels[match.group(1)] += 1
20
    return levels
21

22
result = parse_log(log_text)
23
print(dict(result))  # {"ERROR": 2, "INFO": 2, "WARN": 1}

1
import re
2

3
def clean_text(text):
4
    """清理文本：去HTML标签、多余空白、特殊符号"""
5
    text = re.sub(r"<[^>]+>", "", text)   # 去HTML标签
6
    text = re.sub(r"\s+", " ", text)     # 合并空白
7
    text = re.sub(r"[^\w\u4e00-\u9fa5，。！？、；：""'
8
 ]", "", text)  # 去特殊符号
9
    return text.strip()
10

11
raw = "<p>你好，  世界！</p> @#$%^&*"
12
print(clean_text(raw))  # 你好， 世界！

1
import re
2

3
text = "华为Mate60 Pro售价6999元，支持5G网络"
4

5
# 提取中文
6
print(re.findall(r"[\u4e00-\u9fa5]+", text))  # ["华为", "售价", "元", "支持", "网络"]
7

8
# 提取数字
9
print(re.findall(r"\d+", text))  # ["60", "6999", "5"]
10

11
# 提取英文单词
12
print(re.findall(r"[a-zA-Z]+", text))  # ["Mate", "Pro"]