影刀RPA 正则表达式实战进阶：分组断言替换的高级用法
作者：林焱
什么情况用这个
会用\d+匹配数字、.*匹配任意内容，你的正则入门已经过了。但实际采集数据时，经常遇到这样的需求：从"订单号：ORD20250315001，金额：199元"中只提取订单号和金额（不要前后的文字）；从HTML中提取所有链接的href但不包含其他属性；把"张三13800138000"拆成姓名和手机号。
这些场景靠\d+和.*解决不了。你需要正则的进阶武器——分组、断言、替换。这三样学好，你能应对90%以上的文本提取和清洗需求。
怎么做
第一步：捕获分组——精确提取你想要的
分组用()包裹，提取时只拿括号内的内容：
importre text="订单号：ORD20250315001，金额：199.00元"# 不用分组：只能匹配整个模式result=re.search(r'订单号：[A-Z]+\d+，金额：[\d.]+元',text)print(result.group())# "订单号：ORD20250315001，金额：199.00元" ← 整串# 用分组：分别提取订单号和金额result=re.search(r'订单号：([A-Z]+\d+)，金额：([\d.]+)元',text)ifresult:order_id=result.group(1)# "ORD20250315001"amount=result.group(2)# "199.00"print(f"订单号:{order_id}, 金额:{amount}")命名分组——数字编号分不清时用名字：
# 命名分组 (?P<name>...)result=re.search(r'订单号：(?P<order_id>[A-Z]+\d+)，金额：(?P<amount>[\d.]+)元',text)ifresult:print(result.group('order_id'))# "ORD20250315001"print(result.group('amount'))# "199.00"# 还可以用字典形式print(result.groupdict())# {'order_id': 'ORD...', 'amount': '199.00'}第二步：非捕获分组——只做条件不做提取
拼多多店群自动化报活动上架！
有时你需要用括号做条件限制，但不想要这个分组被捕获：
# (?:...) — 非捕获分组# 匹配"19.9元"或"199元"，但不捕获"元"text="价格：19.9元，优惠价：15.5元"# 普通分组：捕获了单位result=re.findall(r'([\d.]+)(元)',text)print(result)# [('19.9', '元'), ('15.5', '元')] ← 单位也被捕获了# 非捕获分组：只捕获价格result=re.findall(r'([\d.]+)(?:元)',text)print(result)# ['19.9', '15.5'] ← 只有价格第三步：贪婪匹配 vs 非贪婪匹配
这是新手最容易写错的地方：
html="<div>第一个div</div><div>第二个div</div>"# 贪婪匹配（默认）：尽可能多地匹配result=re.findall(r'<div>(.*)</div>',html)print(result)# ['第一个div</div><div>第二个div'] ← 不是你想要的！# 非贪婪匹配（加?）：尽可能少地匹配result=re.findall(r'<div>(.*?)</div>',html)print(result)# ['第一个div', '第二个div'] ← 对了！# 规则：.* → 贪婪（多吃）；.*? → 非贪婪（少吃）实战例子——提取所有链接的URL：
html=''' <a href="/page1" class="link">页面1</a> <a href="/page2" class="link">页面2</a> <a href="/page3">页面3</a> '''# 非贪婪匹配hrefurls=re.findall(r'href="(.*?)"',html)print(urls)# ['/page1', '/page2', '/page3']第四步：断言——只看不吃的匹配
断言（lookaround）让你的正则"检查某个条件是否满足但不消耗字符"：
# 正向前瞻 (?=...) — 后面跟着什么# 匹配"元"前面的数字text="价格199元，运费10元"prices=re.findall(r'[\d.]+(?=元)',text)print(prices)# ['199', '10']# 正向后顾 (?<=...) — 前面是什么# 匹配"¥"后面的数字text="¥199.00，¥10.00"prices=re.findall(r'(?<=¥)[\d.]+',text)print(prices)# ['199.00', '10.00']# 负向前瞻 (?!...) — 后面不是什么# 匹配不是"元"结尾的数字text="价格199元，数量50件，重量30kg"nums=re.findall(r'\d+(?!元)',text)print(nums)# ['19', '50', '30'] ← 199的9也被匹配了# 负向后顾 (?<!...) — 前面不是什么# 匹配不在"¥"后面的数字text="原价¥199，现价99"prices=re.findall(r'(?<!¥)\b\d+\b',text)print(prices)# ['99']实战：提取中文姓名后的手机号，不提取固话号：
text="张三13800138000，李四010-12345678，王五13900139000"# 后顾断言：前面是中文名（2-4个汉字）phones=re.findall(r'(?<=[\u4e00-\u9fa5]{2,4})\d{11}',text)print(phones)# ['13800138000', '13900139000']# 固话010-12345678不符合11位，被排除了第五步：re.sub的高级替换
# 基础替换text="价格：199元"result=re.sub(r'元','¥',text)# "价格：199¥"# 替换时引用分组——用 \1, \2 引用捕获的内容text="ORD-2025-0315"result=re.sub(r'(\w+)-(\d{4})-(\d{4})',r'\1_\2\3',text)print(result)# "ORD_20250315"# 替换中使用函数——复杂的转换逻辑defformat_price(match):"""格式化价格：去掉多余的0"""price=float(match.group(1))ifprice==int(price):returnf"¥{int(price)}"returnf"¥{price}"text="价格1：199.00元，价格2：299.50元，价格3：100.00元"result=re.sub(r'价格\d+：([\d.]+)元',format_price,text)print(result)# "¥199，¥299.5，¥100"# 实战：HTML标签清洗defstrip_html(text):"""去除HTML标签，保留文本"""# 去除所有标签text=re.sub(r'<[^>]+>','',text)# 替换HTML实体text=re.sub(r' ',' ',text)text=re.sub(r'&','&',text)text=re.sub(r'<','<',text)text=re.sub(r'>','>',text)# 压缩多个空格text=re.sub(r'\s+',' ',text)returntext.strip()第六步：常见的实战模式
# 1. 提取邮箱emails=re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}',text)# 2. 提取URLurls=re.findall(r'https?://[^\s<>"\']+',text)# 3. 提取身份证号（18位）id_cards=re.findall(r'\d{17}[\dXx]',text)# 4. 提取日期（多种格式）dates=re.findall(r'\d{4}[-/年]\d{1,2}[-/月]\d{1,2}日?',text)# 5. 提取金额（含货币符号）amounts=re.findall(r'[¥￥$]\s*[\d,]+\.?\d*',text)# 6. 分词——提取所有中文字符chinese=re.findall(r'[\u4e00-\u9fa5]+',text)# 7. 提取键值对kv_pattern=r'(\w+)\s*[:：=]\s*([^,，\s]+)'pairs=re.findall(kv_pattern,"name:张三, age:25, city:深圳")# [('name', '张三'), ('age', '25'), ('city', '深圳')]有什么坑
坑一：.不匹配换行符
现象：.*匹配不到跨行的内容。
解决：加re.DOTALL标志：
text="第一行\n第二行\n第三行"# 默认 . 不匹配 \nprint(re.findall(r'(.*)',text))# 只匹配到每行# re.DOTALL 让 . 匹配包括 \n 的所有字符print(re.findall(r'第一行(.*)第三行',text,re.DOTALL))# 匹配到了！坑二：\w不匹配中文
# \w 默认只匹配 [a-zA-Z0-9_]print(re.findall(r'\w+',"用户名user123"))# ['user123'] ← 中文丢了# 解决：用Unicode属性或明确指定范围[video(video-n3ps2nMg-1784395810971)(type-csdn)(url-https://live.csdn.net/v/embed/526817)(image-https://v-blog.csdnimg.cn/asset/1d3c3709da119dd8c13ab01e9b282520/cover/Cover0.jpg)(title-TEMU店群矩阵自动化运营核价报活动)]print(re.findall(r'[\w\u4e00-\u9fa5]+',"用户名user123"))# ['用户名user123']坑三：后顾断言不支持不定长
现象：(?<=订单号：\w*)这种写法报错。
原因：Python的re模块中，后顾断言(?<=...)必须是定长的。
解决：用regex模块代替re（支持不定长后顾），或改用捕获分组：
importregex# pip install regex# regex模块支持不定长后顾result=regex.findall(r'(?<=订单号：\w{3,})\d+',text)坑四：正则太复杂没法维护
现象：写了一个100个字符的正则表达式，一星期后自己看不懂了。
解决：用re.VERBOSE模式写注释：
pattern=re.compile(r""" (?P<protocol>https?):// # 协议 (?P<domain>[a-zA-Z0-9.-]+) # 域名 (?P<port>:\d+)? # 端口（可选） (?P<path>/[^\s]*) # 路径 """,re.VERBOSE)坑五：正则表达式匹配太慢
现象：在大文本上用复杂正则，流程卡住不动。
原因：正则引擎的回溯可能导致指数级时间复杂度。
解决：避免在大量文本上用.*再跟一个精确模式；尽量用更精确的前缀缩小匹配范围。
总结：正则从入门到进阶的分水岭就三个：分组（精确提取）、非贪婪（避免过度匹配）、断言（只检查不消费）。把这三个组合起来，90%的文本处理任务一行正则搞定。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
