Python 正则表达式进阶：零宽断言、贪婪非贪婪、re 模块内核解析

小飞兽 Python 8 次阅读 2026-07-24

Introduction

正则表达式是文本处理的瑞士军刀，但很多人只用到了皮毛。本文深入讲解零宽断言（ lookahead/lookbehind）、正则引擎工作原理、Python re 模块内核函数、以及 re.DEBUG 调试技巧。

---

基础回顾

import re

text = '我的邮箱是 zhangsan@example.com，电话 13812345678，订单号 ORD2026001'

# search：查找第一个匹配
re.search(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}', text)

# findall：所有匹配
re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}', text)

# sub：替换
re.sub(r'd{11}', '***隐藏***', text)

零宽断言（核心难点）

零宽断言不匹配字符，只匹配位置。

# 正向前瞻 (?=...)
# 匹配后面跟着 "密码" 的 "设置"
re.findall(r'设置(?=密码)', '设置密码和设置用户名')  # ['设置']（只匹配"设置"，不匹配"密码"）

# 负向前瞻 (?!...)
# 匹配不是数字开头的单词
re.findall(r'(?!d)w+', 'abc 123 xyz789')  # ['abc', 'xyz']

# 正向后顾 (?<=...)
# 匹配 "密码" 前面的 "设置"（需要固定宽度）
re.findall(r'(?<=设置)密码', '设置密码和重置密码')  # ['密码']（只匹配"密码"，不匹配"设置"）

# 负向后顾 (?<!...)
# 匹配不是 "已" 开头的标题内容
re.findall(r'(?<!已)w+', '已处理 未处理 已完成')  # ['处理', '完成']

# 实战：密码强度验证（用前瞻）
def validate_password(pwd):
    if not re.search(r'[A-Z]', pwd):
        return '需要大写字母'
    if not re.search(r'[a-z]', pwd):
        return '需要小写字母'
    if not re.search(r'd', pwd):
        return '需要数字'
    if not re.search(r'[!@#$%^&*]', pwd):
        return '需要特殊字符'
    if len(pwd) < 8:
        return '至少8位'
    return 'OK'

print(validate_password('Pass1234!'))  # OK

贪婪 vs 非贪婪

text = '<div>内容1</div><div>内容2</div>'

# 贪婪：尽可能多匹配
re.search(r'<div>.*</div>', text).group()  # 匹配整段（从第一个<div>到最后一个</div>）

# 非贪婪：尽可能少匹配（加 ?）
re.search(r'<div>.*?</div>', text).group()  # 只匹配 <div>内容1</div>

# 实战：提取 HTML 标签内容
re.findall(r'<div>(.*?)</div>', text)  # ['内容1', '内容2']

# 实战：提取 JSON 值（不能用 .*? 因为 JSON 可能嵌套）
import json
# JSON 用专门的解析器，不推荐正则
data = json.loads(text)  # 正确做法

分组和命名分组

text = '订单号: ORD2026001, 金额: ¥299.50'

# 普通分组
m = re.search(r'订单号: (w+), 金额: ¥(d+.d{2})', text)
print(m.group(1), m.group(2))  # ORD2026001, 299.50
print(m.groups())               # ('ORD2026001', '299.50')

# 命名分组
m = re.search(r'订单号: (?P<order_id>w+), 金额: ¥(?P<amount>d+.d{2})', text)
print(m.group('order_id'), m.group('amount'))  # ORD2026001, 299.50

# 反向引用（匹配重复内容）
re.search(r'(?P<word>w+) (?P=word)', 'hello hello world')  # 匹配 "hello hello"
re.search(r'<(w+)>.*?</>', '<div>text</div>')  # 匹配成对标签

re.DEBUG 调试

# 用 DEBUG 模式看正则表达式的解析树
print(re.compile(r'(?<=设置)密码', re.DEBUG))

# 输出：
# literal 112  # 'p' 的 ASCII 码
# literal 117
# ...

re.sub 的高级用法

# 用函数做替换
def mask_amount(m):
    amount = float(m.group(1))
    return f'¥{amount:.2f}'

re.sub(r'¥(d+.?d*)', mask_amount, '价格: ¥99 和 ¥199.5')  # '价格: ¥99.00 和 ¥199.50'

# 条件替换
re.sub(r'(d+)(独角兽|企业)', r'企业', '3独角兽 5企业')  # '企业3 5企业'

# 分割（比 str.split 更强大）
re.split(r'[,s]+', 'a,b,c  d
e')  # ['a', 'b', 'c', 'd', 'e']
re.split(r'(?<=w);', 'word1;word2;word3')  # 保留分号在前面 ['word1;', 'word2;', 'word3']

常用正则模式速查

# 手机号（中国大陆）
r'1[3-9]d{9}'

# 邮箱
r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}'

# URL
r'https?://[a-zA-Z0-9.-]+(?:/[^s]*)?'

# 身份证（18位）
r'[1-9]d{5}(?:19|20)d{2}(?:0[1-9]|1[0-2])(?:0[1-9]|[12]d|3[01])d{3}[dXx]'

# IP 地址
r'(?:(?:25[0-5]|2[0-4]d|[01]?dd?).){3}(?:25[0-5]|2[0-4]d|[01]?dd?)'

# 日期（YYYY-MM-DD）
r'd{4}-(?:0[1-9]|1[0-2])-(?:0[1-9]|[12]d|3[01])'

常见问题

Q1: 为什么正则匹配中文会出问题？Python 3 的 str 默认是 Unicode，用字符类 [a-zA-Z] 只能匹配 ASCII 字母。匹配中文用 [一-鿿] 或 Unicode 属性 p{L}（需要 regex 库）。

Q2: compile 有什么用？re.compile(pattern) 预编译正则表达式，在循环中重复使用同一个模式时效率更高。

Q3: 负向前顾 (?!) 和负向后顾 (?<!) 怎么理解？(?!x) = "此位置后面不是 x"；(?<!x) = "此位置前面不是 x"。两者都是"排除后面/前面是特定模式的位置"。