Regex trong Python: module re, mẫu, group và thay thế chuỗi

Khi nào nên dùng regex

Biểu thức chính quy (regular expression) là một ngôn ngữ nhỏ để mô tả mẫu văn bản. Chúng rất mạnh và cũng rất dễ bị lạm dụng.

Trước khi dùng re, hãy tự hỏi liệu các phương thức chuỗi thông thường có đủ không. .split(), .replace(), .startswith(), "target" in text: những cách này nhanh hơn, dễ đọc hơn và ít lỗi hơn regex tương đương. Hãy để dành regex cho lúc mẫu bạn quan tâm thực sự có cấu trúc nhưng quá linh hoạt cho các thao tác chuỗi cố định: địa chỉ email, số điện thoại, dòng log có định dạng biết trước, đoạn HTML hoặc Markdown, mọi kiểu tìm kiếm "tìm loại thứ này".

Từ vựng cơ bản

Một mẫu (pattern) regex là một chuỗi mô tả thứ bạn đang tìm. Vài khối xây dựng:

• .: một ký tự bất kỳ
• \d: một chữ số bất kỳ (từ 0 đến 9)
• \w: một ký tự "từ" bất kỳ (chữ cái, chữ số, dấu gạch dưới)
• \s: một ký tự khoảng trắng bất kỳ
• ^: đầu chuỗi
• $: cuối chuỗi
• [abc]: một trong các ký tự a, b hoặc c
• [^abc]: mọi ký tự trừ a, b, c
• a|b: a hoặc b
• *: không hoặc nhiều lần thứ đứng trước
• +: một hoặc nhiều lần
• ?: không hoặc một lần
• {3}: đúng 3 lần
• {2,5}: từ 2 đến 5 lần
• ( ... ): group (bắt lấy phần khớp bên trong)

Chừng đó đủ cho phần lớn regex ngoài thực tế.

Các hàm chính

re.search(pattern, text) tìm chỗ khớp đầu tiên ở bất kỳ đâu trong chuỗi. Trả về một đối tượng match hoặc None:

import re

text = "Order 12345 shipped on 2026-04-20"
match = re.search(r"\d{5}", text)

if match:
    print("Found:", match.group())
    print("Position:", match.start(), "-", match.end())
else:
    print("No match")

Luôn dùng raw string (r"...") cho mẫu regex. Nếu không, Python sẽ cố hiểu các dấu gạch chéo ngược là ký tự thoát của chuỗi và bạn nhận được một mẫu khác với thứ đã gõ.

re.match(pattern, text) giống search nhưng chỉ khớp ở đầu chuỗi:

import re

print(re.search(r"hello", "say hello"))   # match
print(re.match(r"hello", "say hello"))    # None - didn't start with hello

Phần lớn thời gian, bạn cần search.

re.findall(pattern, text) trả về mọi chỗ khớp không chồng lấn nhau dưới dạng list:

import re

text = "Apples 3, oranges 12, pears 7"
numbers = re.findall(r"\d+", text)
print(numbers)   # ['3', '12', '7']

Lưu ý findall trả về chuỗi, không phải đối tượng match. Nếu mẫu có một group, bạn nhận lại nội dung của group đó. Với nhiều group, bạn nhận được một list các tuple.

Capturing group

Dấu ngoặc tròn trong mẫu bắt lấy bất cứ thứ gì khớp bên trong chúng:

import re

line = "2026-04-20: server started"
match = re.search(r"(\d{4})-(\d{2})-(\d{2}): (.+)", line)

if match:
    print(match.group(0))  # the whole match
    print(match.group(1))  # '2026' - first group
    print(match.group(2))  # '04'
    print(match.group(3))  # '20'
    print(match.group(4))  # 'server started'
    print(match.groups())  # tuple of all groups

Group có tên (named group) thường rõ ràng hơn:

import re

line = "2026-04-20: server started"
pattern = r"(?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2}): (?P<msg>.+)"
match = re.search(pattern, line)

if match:
    print(match["year"], match["month"], match["day"])
    print(match.groupdict())

Khi regex có nhiều hơn một group, đặt tên cho chúng giúp code trích xuất dễ theo dõi hơn nhiều.

Thay thế với re.sub

re.sub(pattern, replacement, text) thay thế mọi chỗ khớp:

import re

text = "Call me at (415) 555-1234 or 212.555.5678"
cleaned = re.sub(r"[^\d]", "", text)
print(cleaned)

Đoạn này bỏ đi mọi thứ không phải chữ số. Chuỗi thay thế có thể tham chiếu đến các group đã bắt bằng \1, \2, v.v., hoặc trong raw string thì \g<1> rõ ràng hơn:

import re

text = "Alice Johnson, Bob Smith, Carol Tran"
swapped = re.sub(r"(\w+) (\w+)", r"\2, \1", text)
print(swapped)

Bạn cũng có thể truyền một hàm làm phần thay thế. Cách này hữu ích cho những phép biến đổi không chỉ là tráo đổi đơn giản:

import re

text = "Prices: 10, 20, 30"
doubled = re.sub(r"\d+", lambda m: str(int(m.group()) * 2), text)
print(doubled)

Biên dịch mẫu để dùng lại

Nếu bạn dùng cùng một mẫu nhiều lần, nhất là trong vòng lặp, hãy biên dịch nó một lần:

import re

DATE = re.compile(r"\d{4}-\d{2}-\d{2}")

lines = [
    "started at 2026-04-20",
    "no timestamp here",
    "finished 2026-04-21",
]

for line in lines:
    match = DATE.search(line)
    if match:
        print(match.group())

Mẫu đã biên dịch có cùng các phương thức search, match, findall, sub, chỉ là không cần truyền mẫu làm đối số đầu tiên. Hiệu quả hơn một chút, và thường dễ đọc hơn.

Cờ (flag)

Các tùy chọn hay dùng, truyền qua đối số flags= hoặc kết hợp bằng phép OR:

• re.IGNORECASE (re.I): so khớp không phân biệt chữ hoa chữ thường.
• re.MULTILINE (re.M): ^ và $ khớp ở mỗi dòng, không chỉ ở đầu và cuối chuỗi.
• re.DOTALL (re.S): . khớp cả ký tự xuống dòng (mặc định thì không).
• re.VERBOSE (re.X): cho phép khoảng trắng và chú thích # trong mẫu để dễ đọc.

import re

text = "HELLO world"
print(re.search(r"hello", text))
print(re.search(r"hello", text, re.IGNORECASE))

re.VERBOSE đặc biệt hữu ích với các mẫu phức tạp:

import re

pattern = re.compile(r"""
    (?P<user>[\w.]+)    # username part
    @                    # literal at sign
    (?P<domain>[\w.-]+)  # domain
""", re.VERBOSE)

match = pattern.search("Contact me at rosa@example.com")
if match:
    print(match.groupdict())

Regex nhiều dòng có chú thích dễ bảo trì hơn hẳn những dòng một khó hiểu.

Greedy và lazy

Các quantifier (*, +, ?, {n,}) mặc định là greedy (tham lam): chúng khớp nhiều nhất có thể. Thêm ? để biến chúng thành lazy (lười):

import re

html = "<b>bold</b> and <i>italic</i>"

# Greedy - matches from the first < to the last >
print(re.findall(r"<.+>", html))

# Lazy - matches each tag separately
print(re.findall(r"<.+?>", html))

Bản greedy bắt cả chuỗi con từ <b> đến </i>, có lẽ không phải điều bạn muốn. Bản lazy .+? dừng ở dấu > đầu tiên.

(Lưu ý thêm: đừng thực sự phân tích HTML bằng regex trong môi trường production. Hãy dùng html.parser hoặc BeautifulSoup. Ví dụ trên chỉ để minh họa tính greedy.)

Một ví dụ thực tế

Phân tích các dòng từ một định dạng log đơn giản:

import re

log = """
2026-04-20 09:00:12 INFO  Server started
2026-04-20 09:01:45 WARN  Slow query detected
2026-04-20 09:03:01 ERROR Database connection lost
"""

pattern = re.compile(r"""
    (?P<date>\d{4}-\d{2}-\d{2})\s+
    (?P<time>\d{2}:\d{2}:\d{2})\s+
    (?P<level>INFO|WARN|ERROR)\s+
    (?P<message>.+)
""", re.VERBOSE)

for line in log.strip().splitlines():
    match = pattern.match(line)
    if match:
        print(match.groupdict())

Rất nhiều sức mạnh chỉ trong vài dòng code.

Vài thói quen tốt

• Luôn dùng raw string cho mẫu.
• Bắt đầu bằng mẫu đơn giản nhất chạy được; siết chặt dần sau.
• Dùng named group khi có nhiều hơn một group.
• Biên dịch những mẫu sẽ dùng lại.
• Regex chậm hơn phương thức chuỗi thông thường. Nếu .split() làm được, hãy dùng .split().

Tiếp theo: lỗi và gỡ lỗi

Đến đây là hết phần làm việc với dữ liệu thực tế: tệp, JSON, CSV, HTTP, ngày giờ và regex. Tuy nhiên, chương trình thực tế nào sớm muộn cũng gặp lỗi, và đọc tốt traceback của Python là kỹ năng gỡ lỗi quan trọng nhất bạn có thể học. Chương cuối nói về ngoại lệ và những lỗi cụ thể bạn sẽ gặp thường xuyên nhất.