Python 正则：re 模块、findall/finditer/sub、raw string 的必要性

一切从 compile 开始

Python 的正则入口是标准库 re 模块。所有函数都有两个版本：re.search(pattern, s) 直接调用，或 re.compile(pattern) 编译后复用。同一个模式要在一处代码里用两次以上，就先 compile——既省重复编译开销，又给模式一个名字：

import re
ORDER_RE = re.compile(r"DD\d{12}")
text = "退款单 DD202410260018 已受理，原单号 DD202410260019"
print(ORDER_RE.findall(text))
# 输出：['DD202410260018', 'DD202410260019']

模块级常量加正则的组合（如 ORDER_RE）是 Python 社区的事实标准写法，一眼即知这是编译过的模式。

查找四兄弟：match/search/fullmatch/findall

四个查找函数的差异是 Python 正则面试的保留节目：

函数 从哪开始 匹配到哪 返回
match 仅串首 尽量长 Match 对象或 None
search 任意位置 第一个命中 Match 对象或 None
fullmatch 仅串首 必须整串 Match 对象或 None
findall 任意位置 所有命中 字符串/元组列表
finditer 任意位置 所有命中 Match 迭代器

校验场景请用 fullmatch（或 search 配 ^...$）：re.fullmatch(r"1[3-9]\d{9}", "13812348000abc") 返回 None，自动挡住尾部多余字符。match 只锚头部、search 全文扫描、fullmatch 全串约束——三者语义差别要在写代码前想清楚。

import re
m = re.search(r"(\d{2}):(\d{2}):(\d{2})", "提交时间 14:32:07")
print(m.group(0), m.group(1), m.groups())
# 输出：14:32:07 14 ('14', '32', '07')

findall 的分组规则与 finditer 的补位

findall 遇到捕获组会改变返回结构：一个组返回组字符串列表，多个组返回元组列表，没有组返回整匹配列表。这条规则前面提过，这里给出它的"正确打开方式"——想同时拿整匹配和分组时，finditer 是更稳的选择：

import re
access = "203.0.113.7 GET /list 200\n198.51.100.3 POST /login 401"
for m in re.finditer(r"(\d{1,3}(?:\.\d{1,3}){3}) ([A-Z]+) (\S+) (\d{3})", access):
    ip, method, path, code = m.groups()
    if code == "401":
        print("登录失败来源:", ip, path)
# 输出：登录失败来源: 198.51.100.3 /login

finditer 逐个吐 Match 对象，分组、位置（m.start()）信息一个不少，处理大文件时还天然流式、不爆内存。

sub：替换与回调

re.sub 的替换串支持 \1 反向引用与 \g<name> 命名引用；更复杂的转换传一个函数，函数收到 Match、返回替换文本，还能顺带统计次数——subn 返回 (新文本, 替换次数)：

import re
def mask(m):
    s = m.group(0)
    return s[:3] + "****" + s[7:]
new, n = re.subn(r"1[3-9]\d{9}", mask, "联系 13812348000 或 15900992107")
print(new, "| 替换了", n, "处")
# 输出：联系 138****8000 或 159****2107 | 替换了 2 处

日志脱敏、敏感词打码这类"匹配后要算一算"的需求，回调函数是唯一正路。

raw string：反斜杠的双倍快乐

Python 字符串自己会消化反斜杠："\d" 里的 \d 不幸不是合法转义，侥幸原样保留，但 "\b" 会被解释成退格符（ASCII 8）——于是 "\b(\w+)\b" 这条正则在没加 r 前缀时是坏的，而且坏得很隐蔽。写正则必加 r 前缀是 Python 社区的铁律：

import re
print(re.findall(r"\bcat\b", "cat category"))   # ['cat']
# 若写成 "\bcat\b"，\b 变成退格符，结果为 [] 且难以察觉

只有模式里要匹配字面量反斜杠时才需要在 raw string 里写 \\，其余场景 r"..." 一把梭。审 code 时看到没有 r 的正则字符串，直接标红。

避坑提醒：Python 正则里最贵的两个"想当然"——一是以为 match 等于"全串匹配"（它只锚头部，尾部照样漏），二是在循环里反复调用 re.search 字符串形式（每次都重新解析模式）。前者换成 fullmatch，后者提前 compile，一行改动各省一个 bug。

两个细节：split 的捕获组与 re.escape

re.split 若在分隔模式里放了捕获组，分隔符本身会保留在结果里——既是特性也是坑：

import re
print(re.split(r"([\s,]+)", "a, b"))
# 输出：['a', ', ', 'b']
print(re.split(r"[\s,]+", "a, b,,c"))
# 输出：['a', 'b', 'c']

要保留分隔符（比如做语法高亮）就写捕获组，要纯净切分就去掉括号——一字之差，语义两样。

第二个细节是 re.escape：把任意字符串转义成安全的正则字面量。处理"用户输入当搜索词"的场景，它是你唯一的护身符：

import re
kw = "1+1=2"
print(re.findall(re.escape(kw), "请计算 1+1=2 对吗"))
# 输出：['1+1=2']

不加 re.escape，+ 和 = 会让这条搜索要么报错、要么误匹配。Python 侧凡是拼接用户输入进模式，一律先 escape，这条和 JS 章的手工转义规则等价，只是这里引擎替你做了。

一个冷门但好用的调试开关

Python 的 re 模块藏着一个官方调试器：编译时传 re.DEBUG，引擎会把模式的解析树打印出来——每个符号被解析成什么、量词作用到哪、组怎么编号，一目了然：

import re
re.compile(r"\d+px", re.DEBUG)
# 控制输出（节选）：MAX_REPEAT 1 4294967295 / IN [CATEGORY_DIGIT] / LITERAL 112 / LITERAL 120

输出里的 LITERAL 112 是 p 的 ASCII 码、120 是 x——引擎眼里的模式是这副"骨架"模样。排查两个问题特别好使：量词到底绑定了谁（看 MAX_REPEAT 包住了哪个块），以及转义有没有生效（该是字面量的位置出现了 CATEGORY 就说明转义错了）。它不如 regex101 直观，但零依赖、离线可用，SSH 进服务器排查时是唯一趁手的工具。

参考资源

本章由 WorkBuddy 原创撰写，示例均经实际验证。