内容2

.*

内容1

内容2

内容1

内容2

.*?

内容1

内容2

第一

第二

.*

.*?

第一

第二

第一

match = re.search(pattern, log)
if match:
date, time, level, message = match.groups()
print(f”日期: {date}”)
日期: 2024-01-15
print(f”时间: {time}”)
时间: 10:30:25
print(f”级别: {level}”)
级别: ERROR
print(f”消息: {message}”)
消息: 文件未找到：/path/to/file
6.6 复杂数据提取：CSV解析
import re

csv_line = ‘123,”Smith, John”, “New York, NY”, 5000.00′
# 匹配：数字，引号字符串，引号字符串，浮点数
pattern = r'(\d+),”([^”]+)”,”([^”]+)”,(\d+\.\d+)’

match = re.search(pattern, csv_line)
if match:
id, name, city, salary = match.groups()
print(f”ID: {id}, Name: {name}, City: {city}, Salary: {salary}”)
# 输出: ID: 123, Name: Smith, John, City: New York, NY, Salary: 5000.00
6.7 多条件匹配：使用|运算符
import re

text = “颜色：红色, 蓝色, 绿色, 黄色”
pattern = r’红色|蓝色|绿色’

colors = re.findall(pattern, text)
print(colors) # 输出: [‘红色’, ‘蓝色’, ‘绿色’]
6.8 使用分组进行复杂替换
import re

text = “2024-01-15 10:30:25″
# 将日期格式从 YYYY-MM-DD 改为 DD/MM/YYYY
pattern = r'(\d{4})-(\d{2})-(\d{2})’

def swap_date(match):
return f”{match.group(3)}/{match.group(2)}/{match.group(1)}”

new_text = re.sub(pattern, swap_date, text)
print(new_text) # 输出: 15/01/2024 10:30:25
6.9 处理Unicode字符
import re

text = “中文测试：你好世界，123abc”
pattern = r'[\u4e00-\u9fff]+’ # 匹配中文字符

chinese = re.findall(pattern, text)
print(chinese) # 输出: [‘中文测试’, ‘你好世界’]
6.10 处理多行文本块
import re

text = “””开始
内容行1
内容行2
结束”””

# 匹配从”开始”到”结束”之间的所有内容
pattern = r’开始(.*?)结束’
match = re.search(pattern, text, re.DOTALL)
if match:
print(match.group(1).strip()) # 输出: 内容行1 内容行2
7. 高级技巧与最佳实践
7.1 避免回溯灾难
回溯灾难是指正则表达式在匹配失败时进行大量不必要的回溯，导致性能急剧下降。常见于嵌套量词和贪婪匹配。
危险模式：
# 危险：嵌套量词可能导致回溯灾难
pattern = r'(a+)+b’
text = ‘aaaaaaaaaaaaaaaaaaaaaaaaaaaaac’ # 大量a后跟c，匹配失败

# 解决方案：使用原子分组（Python中不支持）或占有量词（Python中不支持）
# 替代方案：优化正则表达式结构
pattern = r’a+b’ # 简化结构
实际例子：
import re
import time

# 危险模式
dangerous_pattern = r'(a+)+b’
text = ‘a’ * 30 + ‘c’ # 30个a后跟c

start = time.time()
re.match(dangerous_pattern, text)
print(f”危险模式耗时: {time.time() – start:.4f}秒”)

# 安全模式
safe_pattern = r’a+b’
start = time.time()
re.match(safe_pattern, text)
print(f”安全模式耗时: {1:.4f}秒”)
7.2 使用原始字符串避免转义问题
import re

# 错误：需要双重转义
wrong = re.compile(‘\\d+\\.\\d+’) # 匹配浮点数

# 正确：使用原始字符串
right = re.compile(r’\d+\.\d+’) # 匹配浮点数

text = “3.14”
print(wrong.search(text).group()) # 3.14
print(right.search(text).group()) # 3.14
7.3 预编译正则表达式提升性能
import re
import time

# 未预编译
def without_compile():
text = “abc123def456ghi789”
for i in range(10000):
re.findall(r’\d+’, text)

# 预编译
pattern = re.compile(r’\d+’)
def with_compile():
text = “abc123def456ghi789″
for i in range(10000):
pattern.findall(text)

# 性能对比
start = time.time()
without_compile()
print(f”未预编译: {time.time() – start:.4f}秒”)

start = time.time()
with_compile()
print(f”预编译: {time.time() – start:.4f}秒”)
7.4 处理大型文本文件
import re

# 逐行处理大文件
def process_large_file(file_path):
pattern = re.compile(r’\d{4}-\d{2}-\d{2}’)
with open(file_path, ‘r’, encoding=’utf-8′) as f:
for line in f:
if pattern.search(line):
# 处理包含日期的行
print(line.strip())

# 示例：处理日志文件
# process_large_file(‘large_log.txt’)
7.5 调试正则表达式
import re

def debug_regex(pattern, text):
“””调试正则表达式”””
try:
compiled = re.compile(pattern)
print(f”模式: {pattern}”)
print(f”文本: {text}”)
print(f”匹配: {compiled.findall(text)}”)
return compiled
except re.error as e:
print(f”错误: {e}”)
return None

# 使用示例
debug_regex(r’\d+’, ‘abc123def’)
# 输出:
# 模式: \d+
# 文本: abc123def
# 匹配: [‘123′]
7.6 处理特殊场景：匹配中文、邮箱、URL等
import re

text = “””
邮箱：user@example.com
URL：https://www.example.com/path?query=1
中文：你好世界
日期：2024-01-15
“””

# 匹配邮箱
email_pattern = r’\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b’
print(“邮箱:”, re.findall(email_pattern, text))

# 匹配URL
url_pattern = r’https?://(?:[-\w.])+(?:[:]\d+)?(?:/(?:[\w/_.])*(?:\?\S+)?)?’
print(“URL:”, re.findall(url_pattern, text))

# 匹配中文
chinese_pattern = r'[\u4e00-\u9fff]+’
print(“中文:”, re.findall(chinese_pattern, text))

# 匹配日期
date_pattern = r’\d{4}-\d{2}-\d{2}’
print(“日期:”, re.findall(date_pattern, text))
7.7 使用re.VERBOSE提高可读性
import re

# 复杂的正则表达式
pattern = re.compile(r”’
\b # 单词边界
[A-Za-z0-9._%+-]+ # 用户名
@ # @符号
[A-Za-z0-9.-]+ # 域名
\. # 点
[A-Z|a-z]{2,} # 顶级域名
\b # 单词边界
”’, re.VERBOSE)

text = “联系邮箱：user@example.com”
matches = pattern.findall(text)
print(matches) # 输出: [‘user@example.com’]
7.8 处理Unicode字符集
import re

# 匹配中文字符
chinese_pattern = re.compile(r'[\u4e00-\u9fff]’)

# 匹配emoji（Unicode范围）
emoji_pattern = re.compile(r'[\U0001F600-\U0001F64F]’)

text = “你好😊世界🌍”
print(“中文字符:”, chinese_pattern.findall(text)) # [‘你’, ‘好’, ‘世’, ‘界’]
print(“Emoji:”, emoji_pattern.findall(text)) # [‘😊’, ‘🌍’]
7.9 性能优化：避免过度使用正则
import re
import time

# 不好的做法：用正则匹配固定前缀
def bad_example(text):
return re.match(r’prefix_’, text) is not None

# 好的做法：直接字符串操作
def good_example(text):
return text.startswith(‘prefix_’)

# 性能对比
text = “prefix_12345″
start = time.time()
for i in range(100000):
bad_example(text)
print(f”正则耗时: {time.time() – start:.4f}秒”)

start = time.time()
for i in100000):
good_example(text)
print(f”字符串操作耗时: {time.time() – start:.4f}秒”)
7.10 常见错误与解决方案
import re

# 错误1：忘记转义特殊字符
try:
pattern = r’file.txt’ # .是元字符
re.search(pattern, ‘file.txt’) # 匹配fileatxt
except:
pass

# 正确：转义.
pattern = r’file\.txt’

# 错误2：在循环中重复编译正则
def bad():
text = “abc123def”
for i in range(1000):
re.findall(r’\d+’, text) # 每次都编译

def good():
pattern = re.compile(r’\d+’)
text = “abc123def”
for i in1000):
pattern.findall(text)

# 错误3：忽略Unicode
text = “中文123”
pattern = r’\w+’ # 在Python3中默认支持Unicode，但Python2需要re.UNICODE
print(re.findall(pattern, text)) # [‘中文123’]
8. 总结
Python的
re
模块是文本处理的利器，掌握它能极大提升开发效率。核心要点：
基础语法
：元字符、字符集、量词是构建正则的基础
核心函数
：match、search、findall、finditer、sub、split各司其职
分组捕获
：提取特定内容，支持命名分组和非捕获分组
标志位
：re.I、re.M、re.S等改变匹配行为
贪婪与非贪婪
：根据场景选择，避免匹配过多内容
实战技巧
：邮箱、电话、HTML、日志等场景的解决方案
性能优化
：预编译、避免回溯灾难、合理使用字符串操作
最佳实践
：使用原始字符串、调试技巧、处理Unicode
记住：
正则表达式不是万能的
，对于简单场景，字符串内置方法可能更高效。但在复杂模式匹配中，正则表达式无可替代。
最后建议
：使用在线正则表达式测试工具（如regex101.com）来调试和验证你的正则表达式，这能极大提高开发效率。