Python 正则表达式（通过 re 模块实现）是处理字符串的强大工具。下面介绍最常用的核心功能，包括常用函数、元字符和特殊序列，配合简单示例。

一、常用的 re 模块函数

这是你最常调用的工具函数：

函数 作用 简单示例
re.search(pattern, string) 在字符串中查找第一个匹配的位置（返回匹配对象，没找到返回 None）。 re.search(r"\d+", "abc123def") → 匹配 123
re.findall(pattern, string) 查找所有匹配的子串，返回一个列表。 re.findall(r"\d+", "1a2b3c") → ['1', '2', '3']
re.sub(pattern, repl, string) 替换匹配的子串。 re.sub(r"\d+", "*", "1a2b") → '*a*b'
re.match(pattern, string) 只从字符串开头进行匹配（用得较少，search 更通用）。 re.match(r"a", "abc") → 匹配 a

二、核心元字符（构建规则的积木）

元字符是正则表达式的灵魂，用来定义匹配规则：

1. 基础匹配
符号 描述 示例
. 匹配任意单个字符（除了换行符 \n）。 a.c → 匹配 abc、a1c、a!c
^ 匹配字符串的开头。 ^Hello → 匹配以 Hello 开头的字符串
$ 匹配字符串的结尾。 World$ → 匹配以 World 结尾的字符串
2. 重复次数（量词）
符号 描述 示例
* 匹配前一个字符 0 次或多次（贪婪匹配）。 ab* → 匹配 a、ab、abb、abbb…
+ 匹配前一个字符 1 次或多次。 ab+ → 匹配 ab、abb…（不匹配 a）
? 匹配前一个字符 0 次或 1 次（可选）。 ab? → 匹配 a 或 ab
{n} 匹配前一个字符 恰好 n 次。 a{3} → 匹配 aaa
{n,} 匹配前一个字符 至少 n 次。 a{2,} → 匹配 aa、aaa…
{n,m} 匹配前一个字符 n 到 m 次。 a{2,4} → 匹配 aa、aaa、aaaa
3. 字符集合
符号 描述 示例
[abc] 匹配方括号内的任意一个字符。 [abc] → 匹配 a、b 或 c
[a-z] 匹配指定范围内的字符。 [a-z] → 匹配任意小写字母
[^abc] 匹配不在方括号内的字符（取反）。 [^abc] → 匹配除了 a、b、c 之外的字符
4. 分组与逻辑
符号 描述 示例
(...) 将括号内的部分作为一个分组（提取子串时常用）。 (ab)+ → 匹配 ab、abab…
| 逻辑或（匹配左边或右边的规则）。 cat|dog → 匹配 cat 或 dog

三、常用特殊序列（简写）

这些是预定义的快捷方式，让正则更简洁：

符号 描述 等价于
\d 匹配任意数字。 [0-9]
\D 匹配任意非数字。 [^0-9]
\w 匹配单词字符（字母、数字、下划线）。 [a-zA-Z0-9_]
\W 匹配非单词字符。 [^a-zA-Z0-9_]
\s 匹配空白字符（空格、制表符、换行符）。 [ \t\n\r\f\v]
\S 匹配非空白字符。 [^ \t\n\r\f\v]

四、实用小例子

  1. 匹配手机号（简单版）：

    re.findall(r"1\d{10}", "我的电话是13812345678")
# 输出: ['13812345678']

  2. 提取邮箱：

    re.findall(r"\w+@\w+\.\w+", "联系我: test@example.com")
# 输出: ['test@example.com']

  3. 替换敏感词：

    re.sub(r"坏蛋", "***", "你是个坏蛋，大坏蛋！")
# 输出: '你是个***，大***！'

小贴士

  • 在 Python 中，正则表达式字符串前通常加 r（如 r"\d+"），表示原始字符串，避免转义字符冲突。
  • 正则很强大但也容易写复杂，建议循序渐进，多用 findall 测试效果。
# 正则表达式 # python # 开发语言
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

大模型安全实战】智能体安全的攻防二元性：同一种能力，为什么既是防线也是攻击面？（第4期）

avatar 龙虾开发者社区
cover

SparkSQL 之 Hive On Spark 原理分析

avatar 龙虾开发者社区

RL训练Agentic模型实现并行多轮上下文检索：匹配前沿模型且快10倍

基于RL的Agentic检索模型正在成为AI Agent效率革命的关键驱动力。并行化：从串行单次调用转向多轮高并行调用自编辑：模型在检索过程中主动裁剪不相关信息迭代优化：检索器与Agent在RL训练中双向迭代当Agentic检索的速度提升10倍以上、成本大幅下降，AI系统将能在数秒内完成以往需要数分钟的复杂信息收集——这是Agent从“对话助手”走向“行动执行者”的关键一步。参考文献：, ACL

avatar 龙虾开发者社区