Python 编程：从零基础到精通

第 38 课 - 正则表达式高级用法与分组

所属模块： 模块八：装饰器与高级主题
难度： Advanced
标签： regex, groups, advanced
上一课： 正则表达式基础与 re 模块
下一课： 单元测试基础（unittest 模块）

1. 学习目标

完成本课学习后，你将能够：

理解并使用分组（Grouping） 来捕获和提取模式中的特定部分。
运用向后引用（Backreferences） 在模式或替换中引用之前捕获的内容。
使用命名分组（Named Groups） 提高模式的可读性和可维护性。
掌握零宽断言（Lookaround Assertions） 进行复杂的上下文匹配。
熟练运用 re.sub() 的高级替换功能，包括使用函数进行动态替换。

2. 核心概念

什么是分组？

想象一下，你想从一个字符串中提取日期，比如"今天是 2023-10-27"。你不仅想匹配整个日期串，还想分别获取年、月、日。分组就是用小括号 () 把你想要"捕获"的部分括起来。匹配成功后，这些被捕获的字符串就像被装进了不同的"篮子"里，可以单独取出来使用。

什么是零宽断言？

零宽断言听起来复杂，其实就是"匹配一个位置，而不是匹配字符"。它检查某个位置的前面或后面是否满足特定条件，但本身不消耗任何字符。比如：

(?=...)：正向前瞻。确保某个模式出现在后面。
(?<=...)：正向后顾。确保某个模式出现在前面。
(?!...)：负向前瞻。确保某个模式没有出现在后面。
(?<!...)：负向后顾。确保某个模式没有出现在前面。

3. 代码示例

示例 1：基础分组与捕获

import re

text = "我的电话是 138-1234-5678，备用电话是 139-8765-4321。"

# 使用分组捕获电话号码的各个部分
pattern = r'(\d{3})-(\d{4})-(\d{4})'
matches = re.findall(pattern, text)

print("所有匹配项:")
for match in matches:
    print(match)  # 输出元组：('138', '1234', '5678')

# 使用 `group()` 方法在单个匹配中获取特定组
match_obj = re.search(pattern, text)
if match_obj:
    full_number = match_obj.group(0)  # 整个匹配
    area_code = match_obj.group(1)    # 第一组
    part1 = match_obj.group(2)        # 第二组
    part2 = match_obj.group(3)        # 第三组
    print(f"\n完整号码: {full_number}")
    print(f"区号: {area_code}")

示例 2：向后引用与命名分组

import re

text = "the cat sat on the mat, the dog sat on the log."

# 使用向后引用 (\1) 查找连续重复的单词
pattern_repeated = r'\b(\w+)\s+\1\b'  # \1 引用前面 (\w+) 捕获的内容
matches_repeated = re.findall(pattern_repeated, text)
print(f"重复单词: {matches_repeated}")  # 输出: []

# 使用命名分组提高可读性，并解析 HTML 简单标签（仅作演示，解析复杂HTML请用专门库）
html_snippet = '<h1>Title</h1><p>Paragraph</p>'
pattern_named = r'<(?P<tag>\w+)>(?P<content>.*?)</(?P=tag)>'
matches_named = re.finditer(pattern_named, html_snippet)

for m in matches_named:
    tag = m.group('tag')       # 通过名称获取"标签"组
    content = m.group('content') # 通过名称获取"内容"组
    print(f"找到标签: <{tag}>，内容: {content}")

示例 3：零宽断言实战

import re

prices = "$100, €200, ¥500, $150.5"

# 1. 正向前瞻：匹配所有以 $ 开头的数字（不包含 $ 符号）
pattern_dollar = r'\d+\.?\d*(?=\$)'  # "后面是 $" 的数字
matches_dollar = re.findall(pattern_dollar, prices)
print(f"美元价格数字: {matches_dollar}")  # 输出: ['100', '150.5']

# 2. 正向后顾：匹配所有紧跟在 ¥ 后面的数字
pattern_yen = r'(?<=¥)\d+'
matches_yen = re.findall(pattern_yen, prices)
print(f"日元价格数字: {matches_yen}")  # 输出: ['500']

# 3. 负向前瞻：匹配所有**不是**以 € 开头的数字
pattern_not_euro = r'\b\d+(?!€)\b'  # 这个例子需要更精确，这里仅作概念演示
# 实际应用：匹配不在引号内的单词
sentence = 'She said "hello world" and then hello.'
pattern_outside_quotes = r'\b\w+\b(?![^"]*")'  # 简化版，查找不在引号内的单词
matches_outside = re.findall(pattern_outside_quotes, sentence)
print(f"引号外的单词: {matches_outside}")  # 输出: ['She', 'said', 'and', 'then', 'hello']

示例 4：`re.sub()` 的高级替换（使用函数）

import re

def make_bold(match_obj):
    """将匹配的文本用 <b> 标签包裹"""
    content = match_obj.group(0)
    return f"<b>{content}</b>"

def multiply_by_two(match_obj):
    """将匹配到的数字乘以2"""
    number_str = match_obj.group(0)
    return str(int(number_str) * 2)

text = "今天有3个苹果和5个橘子。"
# 将数字替换为乘以2后的结果
new_text = re.sub(r'\d+', multiply_by_two, text)
print(f"替换后: {new_text}")  # 输出: 今天有6个苹果和10个橘子。

# 将"苹果"和"橘子"加粗（使用命名分组和lambda）
new_text_html = re.sub(r'(?P<fruit>苹果|橘子)', lambda m: f"<b>{m.group('fruit')}</b>", text)
print(f"HTML替换: {new_text_html}")

4. 实践练习

练习 1 (基础)： 编写一个正则表达式，从字符串 "Error code: 404, Error message: Not Found, Error code: 500, Error message: Internal Server Error" 中提取所有错误代码（404, 500等）。使用分组实现。

预期输出： ['404', '500']

练习 2 (中等)： 从日志字符串 "2023-10-27 10:30:15 [INFO] User logged in, 2023-10-27 10:31:20 [ERROR] Database connection failed" 中提取日期、时间、日志级别和日志消息。使用命名分组使你的模式清晰易读。

预期输出： 一个字典列表，如 [{'date': '2023-10-27', 'time': '10:30:15', 'level': 'INFO', 'message': 'User logged in'}, ...]

练习 3 (进阶)： 编写一个函数，接受一段文本，将其中所有的价格（如 $9.99, $100）增加10% 并格式化为两位小数。使用 re.sub() 和自定义函数实现。

示例输入： "商品A价格是$10，商品B价格是$19.99。"
预期输出： "商品A价格是$11.00，商品B价格是$21.99。"

5. 常见错误

忘记转义特殊字符：在字符类 [] 外，像 . * ? + 等元字符需要匹配字面值时，必须用 \ 转义。例如，匹配小数点应写 \.，而不是 .。
混淆分组索引：第一个 ( 产生的组是 1，不是 0。group(0) 或整个匹配是特殊的，不消耗分组计数。
贪婪与非贪婪的误用：默认 *, +, ? 是贪婪的（匹配尽可能多）。想非贪婪（匹配尽可能少）需加 ?，如 .*?。误用会导致匹配结果不符合预期。
在零宽断言中使用复杂模式：零宽断言内部的模式不能是任意长度（Python的 re 模块限制），且不会消耗字符，因此不能在其中捕获组（但Python 3.x部分版本支持变通）。
过度依赖正则表达式：对于结构非常复杂的文本（如完整的HTML/XML），使用正则解析容易出错且难以维护。应优先考虑使用专用的解析库（如 BeautifulSoup, lxml）。

6. 小结

本节课我们深入探索了正则表达式的高级特性：

分组 () 是提取子模式的核心，findall 会返回元组列表，search 的 group() 方法可以按编号或名称获取内容。
向后引用 \1 和 命名分组 (?P<name>...) 以及 (?P=name) 增强了模式的复用性和可读性。
零宽断言 (?=...), (?<=...), (?!...), (?<!...) 允许我们进行"位置判断"，实现"包含"或"不包含"某模式的精确匹配，而不消耗字符。
re.sub() 的替换字符串或函数参数极其强大，特别是结合分组，可以实现复杂的文本转换逻辑。

掌握这些高级用法，能让你用正则表达式解决更加复杂和精细的文本处理问题。下一课，我们将进入保证代码质量的重要领域——单元测试。

练习编辑器

python