4、数据解析之正则：re模块基础、常用匹配模式、实战提取邮箱与电话

正则表达式，说白了就是一套「按规则找东西」的语法。我刚开始接触数据清洗那会儿，面对一堆乱七八糟的文本，第一反应是写几十行 if-else 去判断。后来被同事看了一眼代码，他丢下一句「用正则啊」，就走了。嗯，从那以后，我再也没写过那种笨办法。

这一章，咱们就聊聊 Python 的 re 模块，以及怎么用它从文本里精准捞出邮箱和电话号码。你想想看，数据分类的第一步，不就是把有用的字段从原始文本里「抠」出来吗？

4.1 re 模块基础：三个核心函数

Python 的 re 模块，我平时用得最多的就三个函数：re.findall()、re.search() 和 re.sub()。记住这三个，基本能覆盖 90% 的场景。

函数	作用	返回类型	常用场景
re.findall()	查找所有匹配项	列表	提取所有邮箱、电话
re.search()	查找第一个匹配项	Match 对象	判断文本是否包含某模式
re.sub()	替换匹配项	字符串	脱敏、清洗脏数据

举个最简单的例子：

import re

text = "我的邮箱是 alice@example.com，你也可以联系 bob@test.org"
emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)
print(emails)
# 输出：['alice@example.com', 'bob@test.org']

你看，一行代码就把两个邮箱全拎出来了。这就是正则的威力。

4.2 常用匹配模式：从字符到边界

正则的语法其实不多，但组合起来千变万化。我把它拆成几个核心模块，你记牢了就行。

4.2.1 字符类与量词

模式	含义	示例
.	匹配任意单个字符（除换行）	a.b 匹配 aab、a1b
\d	匹配数字（0-9）	\d{3} 匹配三位数字
\w	匹配字母、数字、下划线	\w+ 匹配一个单词
\s	匹配空白字符（空格、制表符等）	\s+ 匹配连续空白
*	匹配前一个字符 0 次或多次	ab*c 匹配 ac、abc
+	匹配前一个字符 1 次或多次	ab+c 匹配 abc、abbc
?	匹配前一个字符 0 次或 1 次	ab?c 匹配 ac、abc
{n,m}	匹配前一个字符 n 到 m 次	\d{3,5} 匹配 3-5 位数字

4.2.2 边界与分组

边界匹配，说白了就是告诉正则「从哪儿开始找，到哪儿结束」。分组则是把匹配到的内容拆成小块，方便后续处理。

• ^：匹配字符串开头
• $：匹配字符串结尾
• \b：匹配单词边界（空格、标点、字符串首尾）
• ()：分组，提取子串
• (?:)：非捕获分组，只匹配不提取

举个例子，提取邮箱的用户名和域名：

text = "alice@example.com"
match = re.search(r'(\w+)@(\w+\.\w+)', text)
if match:
    print("用户名:", match.group(1))  # alice
    print("域名:", match.group(2))    # example.com

分组的好处是，你不仅能找到邮箱，还能把邮箱拆成两部分，存到数据库的不同字段里。

4.3 实战：提取邮箱

邮箱的格式其实挺复杂的。理论上，邮箱可以包含 +、-、. 等特殊字符。但实际业务中，我们遇到的绝大多数邮箱都是标准格式。

我常用的邮箱正则：

email_pattern = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}'

这个模式能覆盖 99% 的场景。但要注意，有些邮箱域名是 .com.cn 这种两级后缀，上面的模式也能匹配，因为 [a-zA-Z]{2,} 只要求最后一部分至少两个字母。

实战代码：从一段文本中提取所有邮箱，并去重：

import re

text = """
联系方式：
张三：zhangsan@company.com
李四：lisi@test.org.cn
王五：wangwu@company.com（重复）
备用：zhangsan@company.com
"""

emails = re.findall(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}', text)
unique_emails = list(set(emails))
print(unique_emails)
# 输出：['zhangsan@company.com', 'lisi@test.org.cn', 'wangwu@company.com']

4.4 实战：提取电话号码

电话号码比邮箱麻烦。中国的手机号是 11 位，以 1 开头，第二位通常是 3-9。座机号则带区号，比如 010-12345678。

我一般分两种情况处理：

4.4.1 手机号

phone_pattern = r'1[3-9]\d{9}'

这个模式匹配以 1 开头，第二位是 3-9，后面跟 9 位数字，总共 11 位。

4.4.2 座机号（含区号）

landline_pattern = r'0\d{2,3}-?\d{7,8}'

这个模式匹配以 0 开头，区号 2-3 位，中间可能有连字符，后面 7-8 位号码。

实战代码：从文本中提取所有电话：

text = """
联系电话：13800138000
座机：010-12345678
另一个手机：15912345678
国际格式：+86 13800138000
"""

# 手机号
phones = re.findall(r'1[3-9]\d{9}', text)
print("手机号:", phones)
# 输出：['13800138000', '15912345678']

# 座机号
landlines = re.findall(r'0\d{2,3}-?\d{7,8}', text)
print("座机号:", landlines)
# 输出：['010-12345678']

4.5 知识体系总览

下面这张图，把本章的核心知识点串起来了。你可以把它当作一个速查地图。

4.6 避坑与技巧

正则写多了，总会遇到一些坑。我把自己踩过的几个分享给你：

• 贪婪匹配 vs 非贪婪匹配： 默认情况下，* 和 + 是贪婪的，会尽可能多地匹配。如果你只想匹配最少的内容，加个 ?，比如 .*?。
• 原始字符串 r''： 写正则时一定要用 r''，否则反斜杠会被 Python 解释器转义。我刚开始就吃过这个亏，写 \d 结果匹配不到任何数字。
• 性能问题： 如果要对大量文本做正则匹配，建议先用 re.compile() 编译模式，能提升不少速度。

# 编译模式，提升性能
pattern = re.compile(r'1[3-9]\d{9}')
text = "手机号：13800138000，另一个：15912345678"
matches = pattern.findall(text)
print(matches)