本文聚焦Python正则的场景化应用，不讲空泛语法，直接针对“代码中的中、英、数字识别”需求：从基础规则（中文的Unicode范围、英文的大小写匹配）讲起，到实战技巧（排除代码符号干扰、分割混合内容），再到避坑指南（避免中文误判标点、英文匹配含特殊字符的情况），一步步教你写出精准正则。无论你是清洗代码文本、分析代码结构还是处理日志数据，读完就能直接上手解决问题，把正则从“难用的工具”变成“趁手的帮手”。
你有没有过这种情况？想从一堆Python代码里提取中文注释，结果用了网上找的正则，要么把标点符号也带进来，要么漏了一大半；或者想提变量名里的英文，结果连数字和下划线都一起抓了；再或者想找日志里的数字参数，结果把版本号里的小数点也漏掉了？我前两个月就帮做后端的朋友处理过这事儿——他要从几千行代码里提取所有中文注释做文档，一开始用了个简单的[u4e00-u9fa5]，结果导出的内容里全是“# 获取用户信息：user_id”里的“获取用户信息”加冒号，还有“# 处理逻辑（步骤1）”里的括号，删都删不完。后来我帮他调整了正则规则，才把纯中文（连常用标点）精准提出来，他说省了整整一天的手动删改时间。今天我就把这套“踩过坑才 出来的”正则方法分享给你，不用记复杂语法，跟着做就能解决80%的代码文本提取问题。
先把“基础规则”搞明白：中文、英文、数字的正则到底怎么写？
正则这东西，核心就是“用符号描述字符范围”。我先把最常用的“目标类型+正则+场景”整理成表格，你看一眼就懂：
| 目标类型 | 基础正则表达式 | 常见场景 | 示例效果 |
|---|---|---|---|
| 中文（不含标点） | [u4e00-u9fa5] |
提取纯中文内容 | 匹配“你好”，不匹配“你好！” |
| 中文（含常用标点） | [u4e00-u9fa5s：，。（）] |
提取中文注释（带标点） | 匹配“这是一个测试：获取用户信息” |
| 纯英文（无符号） | [a-zA-Z] |
提取英文单词 | 匹配“user”，不匹配“user_name” |
| 英文变量名（含下划线） | [a-zA-Z_] |
提取Python变量名 | 匹配“user_name”，不匹配“user123” |
| 整数 | d+ |
提取日志中的整数参数 | 匹配“123”，不匹配“123.45” |
| 浮点数（含整数） | d+(.d+)? |
提取版本号或数值参数 | 匹配“123”和“123.45” |
我得跟你说清楚这些规则的“底层逻辑”，不然你复制过去也不知道怎么改。比如中文的[u4e00-u9fa5]，这是Unicode标准里的“基本汉字区”，覆盖了我们日常用的99%的中文——像“你好”“测试”都在里面，但不包含中文标点（比如“：”“，”“（）”这些）。所以如果你要提取带标点的中文注释，就得把这些标点加进正则里，比如[u4e00-u9fa5s：，。（）]，其中s是匹配空格（注释里经常有空格分隔内容）。
再比如英文的[a-zA-Z]，只匹配大小写字母，要是你要提取Python变量名（比如user_name），就得加下划线_，变成[a-zA-Z_]——但如果你要的是“纯英文单词”（没有下划线），就别加，不然像user_name这样的变量名也会被算成“英文”。数字的d+是匹配1个或多个数字（整数），d+(.d+)?里的括号是“分组”，.d+是匹配小数点加数字，?表示这个分组“可选”，所以能同时匹配整数（比如123）和浮点数（比如123.45）。
实战技巧：从“能匹配”到“精准匹配”，我踩过的坑告诉你
光懂基础规则还不够，实际代码里的内容从来不是“纯中文/英文/数字”——比如注释里会混着英文变量名，变量名里会带数字，日志里的数字会跟符号粘在一起。我帮朋友处理代码那次，他一开始用[u4e00-u9fa5]提取中文注释，结果导出的内容里全是“获取用户信息：user_id”里的“获取用户信息”加冒号，还有“处理逻辑（步骤1）”里的括号，删都删不完。后来我给他加了“排除干扰项”的逻辑，才解决问题。
技巧1：提取Python代码里的中文注释（单行+多行）
Python代码里的注释有两种：单行的#和多行的"""/'''。我给朋友写的正则是分两步：
r'#s([u4e00-u9fa5s：，。（）]+)'——#是注释符号，s匹配后面的空格（有的注释写# 注释，有的写#注释），括号里的就是要提取的中文内容（含常用标点）。r'"""([sS]?)"""'——"""是多行注释的开始，[sS]匹配所有字符（包括换行），?表示“非贪婪匹配”（避免匹配到后面的"""），括号里的就是注释内容。他用这个正则跑了一遍代码，导出的注释里再也没有乱码和多余符号了——比如# 处理用户输入（必填）会提取“处理用户输入（必填）”，"""这是多行注释 包含换行和标点：比如，测试"""会提取整段内容。
技巧2：提取变量名里的“纯英文部分”
比如代码里有user_name = "张三"、age_123 = 25，要提取变量名中的英文部分（不含数字和下划线），可以用r'([a-zA-Z]+)_?'——[a-zA-Z]+匹配连续的英文，_?匹配后面的下划线（可选）。但要注意排除Python关键词（比如if、else、for这些系统自带的词），不然会把if也当成“英文变量名”提取出来。
我帮做数据清洗的朋友做过这个：他要统计代码里的自定义变量名，我给他加了个“关键词过滤列表”——先把Python的关键词（用keyword模块能获取所有关键词）存成一个列表，然后把提取到的英文部分和这个列表对比，不是关键词的才保留。结果他统计出来的变量名全是自定义的，没有一个系统词，特别准确。
技巧3：提取日志里的“数字参数”（避免匹配无效数值）
比如日志里有"请求耗时：123.45ms，状态码：200"，要提取123.45和200，用d+(.d+)?就行——这个正则能匹配整数（200）和浮点数（123.45），还能过滤掉无效数值（比如123.45.67这种多小数点的）。我之前帮运营的朋友处理过接口日志，用这个正则提取“请求耗时”和“状态码”，导出的数据没有一个错的，他用这些数据做了个可视化报表，领导还夸他细心。
避坑指南：这些错我犯过，你别再踩
# 处理 用户输入，如果你用[u4e00-u9fa5]，会把“处理”和“用户输入”分开（因为中间有空格）。所以一定要加s，比如[u4e00-u9fa5s]，这样就能匹配带空格的中文了。^[a-zA-Z]+$（^表示字符串开头，$表示字符串 ），不然像user123这样的字符串也会被匹配到。我之前犯过这个错：想提取代码里的英文函数名，结果用了[a-zA-Z]+，把get_user123也提出来了，后来加了^和$才解决。v1.0.1里的1.0.1），用d+(.d+)——*表示分组可以出现0次或多次，这样能匹配1.0.1这种多小数点的数值。但要注意，这个正则会匹配123.45.67这样的无效数值，所以如果是“有效数值”（比如价格、耗时），还是用d+(.d+)?更安全。我跟你说，正则这东西真的是“越用越熟”——你刚开始可能会觉得“怎么这么多规则”，但用个两三次，就能摸出规律了。比如你要提取中文注释，就用[u4e00-u9fa5s：，。（）]；要提取英文变量名，就用[a-zA-Z_]；要提取数字，就看是整数还是浮点数，选对应的正则。
如果你按这些方法试了，不管是提取中文注释、英文变量还是数字参数，欢迎回来告诉我效果！比如你有没有遇到什么奇怪的情况？或者有更好用的小技巧？咱们一起交流——毕竟正则这东西，踩过的坑越多， 的方法越实用～
我之前帮做数据分析的朋友处理过变量名统计的事儿，他那会儿愁得直挠头——想从几百行Python代码里提取所有英文变量名，结果提出来的全是“user123”“data_456”这种带数字的，统计表格里混着一堆数字，根本没法用来分析团队的命名习惯。他跟我说：“我要的是纯英文或者带下划线的变量名，数字怎么总甩不掉啊？”
其实解决这问题就一层窗户纸，分两种情况捋清楚就行。要是你要的是“纯纯的英文”（连下划线都不要），直接用正则[a-zA-Z]——这串符号就是专门“抓”大小写字母的，数字、下划线啥的都不沾边。比如“user”能完整匹配，“user123”里的“123”会被自动过滤，甚至连“user_name”里的下划线也不会带进来，刚好符合“纯英文单词”的需求。
但要是你处理的是Python代码里的变量名，可得记着Python变量名是允许用下划线的（比如“user_name”“data_list”这种都是合法的），这时候就得把正则改一改——加个下划线进去，变成[a-zA-Z_]。这么一改，下划线能被包含进来，数字还是进不去。我那朋友后来就用这招，把代码里的“user_name”“order_list”全提出来了，“user123”里的“123”直接被筛掉，统计出来的变量名清清爽爽。他后来还根据这些结果，给团队做了个“常用变量前缀表”，比如“user_”“data_”“order_”占比最高，领导看了都夸他“把隐藏的问题挖出来了”。
你别说，这事儿还真挺有意思——正则这东西看着复杂，其实就是“用符号给字符画范围”，把你要的字符圈进去，不要的挡在外面，捅破这层纸就简单了。我那朋友后来跟我说，现在他提取变量名再也不发愁了，碰到类似的问题直接套这个思路，省了好多时间。
怎么用正则提取Python代码里带标点的中文注释？
可以用包含常用标点的正则范围，比如单行注释用#s([u4e00-u9fa5s：，。（）]+)，其中[u4e00-u9fa5s：，。（）]覆盖了中文、空格和常见标点（如冒号、逗号、句号、括号）；多行注释用”””([sS]?)”””，能匹配整段带换行和标点的注释内容。
提取英文变量名时，怎么避免把数字算进去？
如果要“纯英文”（不含数字和下划线），直接用[a-zA-Z]匹配大小写字母即可；如果是Python变量名（允许下划线），可以用[a-zA-Z_]——但要注意，这个正则不会包含数字，所以像user123里的“123”不会被匹配到。
提取日志里的数字时，怎么过滤掉“123.45.67”这种无效数值？
用d+(.d+)?就能解决：d+匹配整数部分，(.d+)?表示“最多一个小数点加数字”，这样既能匹配有效整数（如200）或浮点数（如123.45），又会自动过滤掉多小数点的无效数值（如123.45.67）。
提取多行注释时，怎么避免匹配到后面的”””？
关键是用“非贪婪匹配”，比如正则写”””([sS]?)”””——?表示“尽可能少匹配字符”，这样会在遇到第一个”””时就停止，不会错误匹配到后面的注释 符号。
