re.findall()更适合批量提取，因其返回所有匹配字符串列表，而re.search()仅返回首个匹配；含捕获组时需注意默认只返组内容，可用非捕获组或finditer解决。
为什么 re.findall() 比 re.search() 更适合批量提取
批量清洗提取的核心是“一次匹配多个目标”，re.search() 只返回第一个匹配对象，遇到多段地址、多个电话、成片的邮箱就直接失效。re.findall() 返回所有匹配字符串列表，天然适配批量场景，且不依赖 group() 调用，代码更直白。
注意：如果正则里用了捕获组（()），re.findall() 默认只返回组内容；想拿到完整匹配串，得把整个模式包进非捕获组 (?:...)，或改用 re.finditer() 配合 .group(0)。
- 纯文本中混有 3 个手机号：
re.findall(r'1[3-9]\d{9}', text)→ 直接得列表 - 想同时提取「姓名：张三」和「年龄：28」中的值，用
re.findall(r'(?:姓名|年龄)：(\w+)', text) - 若正则含多个组，如
r'(\d{4})-(\d{2})-(\d{2})'，findall返回[('2023', '05', '12')]，不是['2023-05-12']
如何用 re.sub() 安全替换脏字符而不误伤语义
常见错误是写太宽泛的模式，比如用 r'\s+' 直接替换成空格——结果把中文之间的正常空格、换行全压成一团，阅读性崩坏。更稳妥的做法是分层替换：先处理不可见控制符，再处理冗余空白，最后处理业务特定噪声（如「【广告】」「//注释」）。
- 清除零宽字符和 BOM：
re.sub(r'[\u200b-\u200f\uFEFF]', '', text) - 合并连续空白（保留单个空格）：
re.sub(r'\s+', ' ', text).strip() - 删指定干扰前缀但保留后续内容：
re.sub(r'^\s*【[^】]*】\s*', '', line, flags=re.MULTILINE)
关键点：能用 flags=re.MULTILINE 就别自己写循环逐行处理；替换前先用 re.escape() 转义用户输入的动态关键词，避免正则注入。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
为什么 re.compile() 在批量处理时不能省
对千条以上文本做相同清洗，每次调用 re.findall(r'\d+', s) 都会重复编译正则，性能损耗明显。提前 re.compile() 后复用，CPU 时间常能降 30%–50%。而且预编译后可挂载 flags（如 re.IGNORECASE），避免每次重复传参出错。
- 错误写法：
[re.search(r'(?i)error', s) for s in logs]—— 每次都编译 - 正确写法：
pattern = re.compile(r'error', re.IGNORECASE); [pattern.search(s) for s in logs] - 复杂清洗流水线建议封装成类，把多个
re.Pattern实例作为属性初始化一次
re.split() 分割时如何保留分隔符用于后续定位
清洗时常需知道某段文本是从哪个分隔符切出来的，比如日志按时间戳切块后，要给每块打上对应时间标签。re.split() 默认丢弃分隔符，但用捕获组就能让它保留在结果里：re.split(r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})', log_text) 会返回交替出现的「时间戳」「内容」「时间戳」「内容」列表。
- 结果为
['', '2023-05-12 10:20:30', '用户登录成功', '2023-05-12 10:21:05', '订单创建失败', ...] - 注意首项可能是空字符串，需过滤：
[x for x in result if x.strip()] - 若分隔符本身含可变长度（如多空格、混合符号），优先用
re.finditer()手动扫描起止位置，比硬 split 更可控
真正麻烦的是嵌套结构和边界模糊的脏数据，比如 HTML 片段混在文本里、引号未闭合、编码错乱导致正则锚点 ^$ 失效——这种时候别硬刚正则，先做预处理（如用 html.unescape()、chardet 探测编码），再交到正则手上。
