Python 教程 / 用正则表达式搜索、提取与验证格式
正则表达式用于从字符串中寻找模式,或检查整个字符串的格式。匹配成功只说明字符排列符合表达式,不代表日期真实存在或金额符合业务规则;提取、解析和语义验证应分别检查。
选择搜索、全文匹配与重复提取
| 函数 | 用途 |
|---|---|
| re.search | 查找任意位置的第一个匹配部分 |
| re.fullmatch | 要求整个字符串符合模式 |
| re.finditer | 依次取得匹配对象及其位置 |
Python 字符串与正则式都使用反斜杠,因此模式常写成 r"..." 原始字符串,减少两层转义混淆。原始字符串仍要满足 Python 的引号和字符串语法,例如不能任意以单个反斜杠结尾。模式与匹配对象的定义见Python 官方 re 文档。
本例固定使用 [A-Z] 与 [0-9] 表达 ASCII 大写字母和数字。不要在未核对需求时把它们换成含义可能更广的字符类,再假设接受范围没有变化。
提取命名字段并解析日期
将以下完整内容以 UTF-8 保存为 regex_demo.py,在项目环境执行 python regex_demo.py。若已核对的解释器命令为 python3,则使用 python3 regex_demo.py。本例只使用标准库:
import re
from datetime import date
text = "A001:3500 B002:8000"
pattern = re.compile(r"(?P<id>[A-Z][0-9]{3}):(?P<amount>[0-9]+)")
for match in pattern.finditer(text):
print(match["id"], int(match["amount"]))
value = "2026-10-17"
if re.fullmatch(r"[0-9]{4}-[0-9]{2}-[0-9]{2}", value):
print(date.fromisoformat(value))
预期输出:
A001 3500
B002 8000
2026-10-17
命名组 id 对应一个大写字母与三个数字,amount 对应冒号后的一个或多个数字。finditer 从整段文本中提取符合条件的部分,match["amount"] 仍是字符串,由 int 转换后才打印为整数。
日期先用 fullmatch 检查四位年、两位月和两位日的排列,再交给 date.fromisoformat 检查日历有效性。完整日期语义可结合日期、时间与时区理解。
处理未匹配与部分匹配
search 没找到时返回 None,不应直接调用 group。比如 match = re.search(r"[0-9]+", "no digits")之后,先判断 if match is not None:,再读取匹配内容。finditer 没有匹配时则没有可遍历项,不会自动把被跳过的文本报告为错误。
本例是从自由文本中提取片段,不是验证每个完整输入项。像 A001:3500xyz 仍可被提取为 A001 和 3500;这不表示后面的 xyz 被验证通过。若表单只允许一组完整的标识与金额,应为该契约采用 fullmatch 并明确定义允许范围。
格式为 2026-02-30 或 2026-99-99 的字符串都符合这条日期正则式,但会在 fromisoformat 处抛出 ValueError。此示例没有捕获该异常,所以非法日期实验会在此前已打印标识金额后停止。不要把终端已有部分输出误认为整次处理成功。
对于 CSV、HTML 等有完整结构的格式,应使用相应解析器,而不是把整个语法压进一个正则式。CSV 读写示例就说明了字段内引号与逗号为什么需要格式解析。
检查接受范围并限制复杂度
- 只把文本中的 A001 改成 a001。第一组不再符合大写要求,只会打印 B002 的金额与日期;程序不会主动报告小写记录无效。
- 恢复大写,再把第一笔金额 3500 改成 -1。冒号后不再立即是数字,所以第一组不匹配;不要因为输出中没出现负数,就认为程序已经为所有输入实现负数拒绝和报错。
- 恢复金额,只将日期改成 2026-02-30,确认在日历解析阶段失败,而格式检查已通过。
- 恢复全部原始值,重新运行,逐行核对三行预期输出。
对外部输入使用固定、可审查的模式,并根据需求限制输入长度。任意用户模式或复杂嵌套重复可能造成过长处理时间,不能把正则式当作无需资源限制的通用过滤器。验证规则应既检查能接受的正常例子,也检查边界值、被跳过片段和失败路径。




