正则表达式(Regular Expression,简称regex或regexp)是一种用于描述字符串模式的强大工具,它通过特定的语法规则来匹配、查找、替换文本内容。在Python3中,正则表达式由内置模块re提供支持,广泛应用于数据清洗、日志分析、网络爬虫、表单验证、文本挖掘等场景。
从计算机科学角度看,正则表达式基于形式语言理论,属于正则语言范畴,其理论基础可追溯至1943年Warren McCulloch与Walter Pitts提出的有限状态自动机模型,后由Stephen Kleene在1956年形式化为“正则集合”的代数描述。Python的re模块底层采用C语言实现的PCRE(Perl Compatible Regular Expressions)子集,兼顾性能与兼容性。
在实际开发中,正则表达式并非“银弹”,其适用性需结合具体场景判断:适合处理结构化文本、固定格式日志、简单HTML提取等;但对嵌套结构(如HTML、JSON、XML)应优先考虑专用解析器,避免过度依赖正则导致维护困难。正如Python之父Guido van Rossum所言:“有些问题,你第一个想法是用正则解决——但你可能有两个问题了。”
Test
' print(sanitize_html(unsafe)) # 'Test
'以下问题均来自BAT等大厂真题,附详细解答与扩展思考。
# 3位或6位十六进制,可选#前缀
pattern = r'#(?:[0-9a-fA-F]{3}){1,2}$'
re.match(pattern, '#FFF') # 匹配
re.match(pattern, '#123ABC') # 匹配
re.match(pattern, '#GGG') # 不匹配
扩展:支持缩写形式#FFF时,需验证是否等价于#FFFFFF(如#F0F→#FF00FF),此时需结合字符串重复逻辑,正则难以独立完成。
# 简化版:支持字母数字、点、下划线、连字符
pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
re.match(pattern, 'user+tag@example.co.uk') # 匹配
注意:RFC 5322标准极其复杂(如支持引号内的特殊字符),生产环境建议用email.utils.parseaddr()或专业库(如email_validator)。
# 非贪婪匹配src属性
pattern = r'
]*src\s*=\s*["\']([^"\']*)["\']'
images = re.findall(pattern, html, re.I)
警告:HTML解析应优先用BeautifulSoup!正则易受属性顺序、换行影响(如 vs 
)。
提升正则开发效率的实用工具:
re.compile后按Alt+Enter生成正则模板email_pattern)# 用rg(ripgrep)快速测试正则
rg -e 'error_\d{8}\.log' /var/log/
# 用grep验证正则(注意:grep默认不支持\w等)
grep -E '^error_[0-9]{8}\.log$' file.log
import re
import unittest
class TestRegex(unittest.TestCase):
def test_email_validation(self):
pattern = re.compile(r'^[a-z0-9._%+-]+@[a-z0-9.-]+\.[a-z]{2,}$', re.I)
self.assertTrue(pattern.match('test@example.com'))
self.assertFalse(pattern.match('invalid-email'))
if __name__ == '__main__':
unittest.main()
建议:对核心正则模式编写单元测试,防止更新时破坏兼容性。
掌握Python3正则表达式需经历三个阶段: