先把findall的基础逻辑掰碎了讲，避免踩最常见的3个坑
我发现很多人学findall，都是先记“pattern是表达式，string是文本”，但根本没搞懂它的匹配逻辑，结果一用就错。先把最核心的3个点讲清楚，都是我踩过的坑 来的：
第一个点：findall的“返回规则”——有没有分组，结果完全不一样。你可以把pattern看成一个“搜索框”，如果框里没有“小格子”（分组，用()括起来的部分），那findall返回的是完整的匹配内容；如果有“小格子”，它就会优先返回每个“小格子”里的内容，甚至变成元组。比如我之前匹配“张三：138-1234-5678，李四：139-9876-5432”，一开始写的pattern是r'(d{3})-(d{4})-(d{8})'（给每个部分加了分组），结果findall返回的是[('138', '1234', '5678'), ('139', '9876', '5432')]——全是元组，而我要的是完整的手机号！后来把分组去掉，改成r'd{3}-d{4}-d{8}'，结果就对了，返回['138-1234-5678', '139-9876-5432']。
为了让你更清楚，我做了个对比表格，把最常见的“分组vs无分组”情况列出来：
| Pattern表达式 | 匹配目标文本 | findall返回结果 | 原因说明 |
|---|---|---|---|
r'd{3}-d{4}-d{8}' |
张三：138-1234-5678 李四：139-9876-5432 |
['138-1234-5678', '139-9876-5432'] |
无分组，返回完整匹配项 |
r'(d{3})-(d{4})-(d{8})' |
张三：138-1234-5678 李四：139-9876-5432 |
[('138', '1234', '5678'), ('139', '9876', '5432')] |
有3个分组，返回每个分组的元组 |
第二个要注意的点是：flags参数不是“摆设”，能帮你省很多事。比如你要匹配不区分大小写的内容，比如提取“Email: abc@xyz.com”和“email: def@uvw.com”里的邮箱，直接写r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}'其实也能行，但如果遇到全大写的“EMAIL: GHI@JKL.COM”，就会漏掉。这时候加个flags=re.IGNORECASE（或者简写成re.I），表达式就能自动忽略大小写，不用把a-z和A-Z都写一遍。我之前帮做新媒体的朋友提取评论里的邮箱，一开始没加flags，结果漏了1/3的内容，加上之后就全找到了。
第三个基础坑是：别把“贪心匹配”和“非贪心匹配”搞反。比如你要提取“r'，结果如果文本里有多个title标签（比如的所有内容（贪心匹配），而用r'（非贪心匹配，?表示尽可能少匹配），就能准确拿到每个title里的内容。我之前爬一个博客网站的文章标题，一开始用了贪心匹配，结果返回的是整个网页的大段文本，后来改成非贪心匹配才对——这个坑我记了一年，现在写表达式的时候都会先想“要不要加?”。
用findall解决真实场景问题，我亲测有效的3个技巧
讲完基础，咱们直接上硬菜——用findall解决你可能遇到的真实问题，每个技巧都是我试过有用的，甚至帮朋友解决过实际需求。
技巧1：提取网页中的所有链接，避免被引号坑
做过爬虫或者整理网页内容的人应该都遇到过这个需求：比如你想把一篇文章里的所有外部链接都导出来，网页里的链接通常是这样的：点击购买，我们要提取的是href引号里的内容。一开始我写的pattern是r'href="(.?)"'，结果有的链接里有转义的引号（比如href="https://example.com?query=test"123"），导致匹配到转义引号就停止了，漏了后面的内容。后来我改成r'href="([^"]+)"'，问题就解决了——这里的[^"]+是“取反匹配”，意思是“匹配除了双引号之外的所有字符”，比非贪心匹配更稳定，因为它不会被转义的引号干扰。比如匹配“”，用r'href="([^"]+)"'返回的是完整的https://example.com?a=1&b=2，而用r'href="(.?)"'其实也能行，但遇到特殊情况时[^"]+更靠谱。我帮做读书公众号的朋友整理书单时，就是用这个技巧把文章里的20多个链接全导出来的，省了她2小时手动复制的时间。
技巧2：筛选日志中的错误信息，别忘加re.MULTILINE
做运维或者开发的朋友应该经常要查日志，比如服务器日志里有很多行，你要找出所有“ERROR:”开头的错误记录。比如日志文本是这样的：
INFO: 2024-05-20 10:00:00 服务启动成功
ERROR: 2024-05-20 10:05:00 数据库连接失败
WARNING: 2024-05-20 10:10:00 内存使用率超过80%
ERROR: 2024-05-20 10:15:00 接口请求超时
要提取所有ERROR行，pattern怎么写？我一开始用r'ERROR:.'，结果发现如果日志是多行的，^和$默认匹配整个字符串的开头和 不是每行的开头。这时候要加flags=re.MULTILINE（或者re.M），让^匹配每行的开头。所以正确的pattern是r'^ERROR:.'，加上flags=re.M，这样就能匹配所有以ERROR:开头的行。我之前帮做后端开发的朋友查过日志，他一开始没加flags，结果只匹配到第一行ERROR，后面的都漏了，加上之后就全找到了——这个小技巧帮他节省了1小时找错误的时间。
技巧3：提取所有邮箱，覆盖90%的常见情况
从字符串中提取邮箱是个高频需求，比如你有一个用户信息的字符串：“联系我们：info@example.com，客服邮箱：service@example.cn，投诉邮箱：complaint@example.com”，要提取所有邮箱。正确的pattern应该是r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}'，这里面每个部分都是有讲究的：
[a-zA-Z0-9._%+-]+：匹配邮箱的用户名部分，允许字母、数字、点、下划线、百分号、加号、减号（这些都是邮箱用户名的合法字符）；@：固定的@符号；[a-zA-Z0-9.-]+：匹配域名的主体部分（比如example）；.：转义的点（因为.在正则里是“任意字符”，必须转义才代表真实的点）；[a-zA-Z]{2,}：匹配域名的后缀（比如com、cn、net，至少2个字符，避免像.c这样的非法后缀）。我之前帮做电商的朋友提取过用户留言里的邮箱，一开始用了更简单的r'[w.]+@w+.w+'，结果有的邮箱里有百分号（比如test%example@example.com）或者加号（比如test+123@example.com），就匹配不到，后来改成上面的pattern才全对。Python官方文档里也提到过，邮箱的正则表达式没有绝对完美的，但这个pattern覆盖了大部分常见情况（你可以看Python docs里的正则示例：https://docs.python.org/3/howto/regex.html#regex-howto）。
讲完这3个技巧，我想再强调一点：写findall的pattern时，一定要“先测试再用”。比如你可以用Python的re模块在终端里先试一下，比如：
import re
text = "你的测试文本"
pattern = "你的表达式"
print(re.findall(pattern, text))
这样能快速验证表达式对不对，避免写完脚本才发现问题——我现在写表达式都会先测，节省了很多时间。
最后想对你说：findall不是“高深的工具”，只要把基础逻辑搞清楚，再结合真实场景练几次，就能用得顺手。我一开始学的时候也踩过很多坑，比如分组错了、flags没加、贪心匹配搞反，但多试几次就会了。如果你按这些方法试了，比如用findall提取了你们公司的日志，或者整理了网页链接，欢迎回来告诉我效果！要是遇到新的问题，也可以留言，我帮你一起想想办法～
我每次写正则表达式，不管多简单，都不敢直接往大脚本里塞——之前踩过坑，写了个提取邮箱的pattern，结果跑完整篇用户留言才发现漏了带加号的邮箱（比如test+123@example.com），回头改的时候又得重新跑一遍，特麻烦。后来我就养成了“先小测再用”的习惯，其实就是找段短文本先试试水，花1分钟确认没问题，再用到真实数据里。
比如你要提取像138-1234-5678这样的手机号，不用找长篇大论，就编个1-2句话的测试文本，比如“朋友手机号：138-1234-5678，同事的是139-9876-5432”就行。然后打开Python终端，敲几行简单代码：先输import re，把test_text设成刚才的测试文本，再把你写的pattern填进去（比如r’d{3}-d{4}-d{8}’），最后print(re.findall(pattern, test_text))。要是返回的是[‘138-1234-5678’, ‘139-9876-5432’]，那就对了；要是返回空列表，肯定是pattern里的数字位数写错了——比如把d{8}写成了d{7}，或者漏了中间的-；要是返回元组（比如(‘138′,’1234′,’5678’)），那就是不小心加了分组（括号），删掉括号再测就行，我之前就犯过这错，删完括号立刻就对了。
而且测试文本别太“乖”，最好加几个容易出错的边界情况。比如你要提取邮箱，就把带百分号的（test%example@example.com）、带点的（test.123@example.com）、甚至带减号的（test-789@example.com）都塞进去——这些都是真实邮箱里可能出现的字符，要是你的pattern能匹配到，再用到真实数据里才放心。我之前帮做电商的朋友提取用户留言里的邮箱，一开始写的pattern是r'[w.]+@w+.w+’，测试文本里加了个test+456@example.com，结果返回空，赶紧把pattern改成r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+.[a-zA-Z]{2,}’，再测就全匹配到了——要是没这步测试，直接跑真实数据，肯定漏一堆邮箱，到时候再补数据更麻烦。
其实这方法就是“小步试错”，总比写完整个脚本再回头改高效。我现在写任何正则，不管多简单，都先跑一遍小测试——比如提取网页里的链接，先找个带引号的链接（比如）试试，确认返回的是完整的https://example.com/book/123再用；提取日志里的错误信息，就先找一行“ERROR: 数据库连接失败”测测，确认能匹配到再跑整个日志文件。反正就几行代码的事儿，花不了1分钟，但能帮你避掉80%的低级错误，比后面返工省事儿多了。
findall返回元组而不是我要的完整字符串，怎么办？
这大概率是因为你的pattern里加了分组（用()括起来的部分）——findall遇到分组时，会优先返回每个分组的内容，而非完整匹配项。比如文章里提取手机号的例子，加了分组的pattern会返回元组，去掉分组（把()删掉）就能拿到完整的字符串；如果需要分组但不想返回元组，可以用“非捕获分组”（(?:…)），比如把r'(d{3})-(d{4})-(d{8})’改成r'(?:d{3})-(?:d{4})-(?:d{8})’，这样既保留分组逻辑，又能返回完整结果。
flags参数有什么用？常见的flags怎么选？
flags是用来调整匹配规则的“小开关”，能帮你解决很多特殊场景的问题：比如你要匹配不区分大小写的内容（比如同时找“Email”和“email”），就加re.IGNORECASE（或简写成re.I）；要匹配多行文本的每行开头（比如日志里以“ERROR:”开头的行），就加re.MULTILINE（re.M）；如果要让.匹配换行符（比如提取包含换行的段落），就加re.DOTALL（re.S）。不用一次性加所有flags，根据你的具体需求选就行。
为什么findall匹配到的内容比我预期的长？
这是“贪心匹配”在搞鬼——正则里的.、.+会尽可能多吃内容。比如你要提取
