⭐ Python Developer · Chặng 7Bài 4/6Bài học~60 phút

Biểu thức chính quy trong Python: re.search, findall, sub

Regex từ cơ bản đến dùng được: lớp ký tự, lượng từ, neo, nhóm có tên, re.search, findall, sub, compile và các bẫy hay gặp.

Biểu thức chính quy trong Python: re.search, findall, sub

Học xong bài này, bạn sẽ

  • Viết mẫu với lớp ký tự, lượng từ, neo
  • Dùng search, findall, sub, nhóm có tên
  • Biết khi nào không nên dùng regex

Nên học trước: Tự động hóa Excel với openpyxl

Nội dung bài viết
  1. 1. Mẫu cơ bản
  2. 2. Các hàm của module re
  3. 3. Nhóm và nhóm có tên
  4. 4. Tham lam và không tham lam
  5. 5. Cờ hay dùng
  6. Tóm tắt
  7. Bài tập

Tìm mọi số điện thoại trong một đoạn văn, lấy mã đơn hàng khỏi tiêu đề email, kiểm tra định dạng email, tách giờ và mức lỗi khỏi từng dòng log: các phương thức chuỗi như split, find không đủ. Biểu thức chính quy (regular expression, regex) là một ngôn ngữ nhỏ để mô tả mẫu văn bản. Module re có sẵn trong Python.

1. Mẫu cơ bản

import re

van_ban = "Đơn DH2026-0157 giao ngày 29/10, đơn DH2026-0158 giao ngày 30/10."
print(re.findall(r"DH\d{4}-\d{4}", van_ban))
print(re.findall(r"\d{1,2}/\d{1,2}", van_ban))
['DH2026-0157', 'DH2026-0158']
['29/10', '30/10']

Luôn viết mẫu bằng chuỗi thô r"..." để dấu \ không bị Python hiểu thành ký tự đặc biệt. Bảng ký hiệu dùng nhiều nhất:

MẫuKhớp
\d, \w, \sMột chữ số; một ký tự chữ, số hoặc _ (gồm cả chữ có dấu); một khoảng trắng
\D, \W, \SNgược lại của ba mẫu trên
.Một ký tự bất kỳ trừ xuống dòng
[abc], [0-9], [^,]Một ký tự trong tập; khoảng; ký tự không phải dấu phẩy
*, +, ?0 lần trở lên; 1 lần trở lên; 0 hoặc 1 lần
{3}, {2,4}Đúng 3 lần; từ 2 đến 4 lần
^, $Đầu chuỗi (dòng); cuối chuỗi (dòng)
\bRanh giới từ
a|b, (...)a hoặc b; nhóm
\., \+Dấu chấm, dấu cộng thật (thoát ký tự đặc biệt)

2. Các hàm của module re

import re

s = "Liên hệ: an@cty.vn hoặc 0912 345 678. Hotline +84 28 3822 1234."

m = re.search(r"\w+@\w+\.\w+", s)          # vị trí khớp ĐẦU TIÊN, hoặc None
if m:
    print(m.group(), m.start(), m.end())

print(re.match(r"\d", s))                  # chỉ khớp ở ĐẦU chuỗi → None
print(re.fullmatch(r"\d{10}", "0912345678") is not None)   # khớp TOÀN BỘ chuỗi
print(re.sub(r"\s+", " ", "nhiều    khoảng    trắng"))    # thay thế
print(re.split(r"[,;]\s*", "Hà Nội, Huế;Đà Nẵng,  Cần Thơ"))
print(re.sub(r"(\d{4}) (\d{3}) (\d{3})", r"\1.\2.\3", s))  # dùng lại nhóm khi thay
an@cty.vn 9 18
None
True
nhiều khoảng trắng
['Hà Nội', 'Huế', 'Đà Nẵng', 'Cần Thơ']
Liên hệ: an@cty.vn hoặc 0912.345.678. Hotline +84 28 3822 1234.
  • search tìm ở bất kỳ đâu, match chỉ ở đầu chuỗi, fullmatch cả chuỗi (dùng để kiểm tra định dạng).
  • findall trả list mọi chuỗi khớp; finditer trả từng đối tượng khớp (khi cần vị trí hoặc nhóm).
  • sub thay thế; trong chuỗi thay thế, \1, \2 là nội dung nhóm 1, 2.

3. Nhóm và nhóm có tên

import re

dong_log = [
    "2026-10-29 08:15:02 INFO  dang_nhap user=an",
    "2026-10-29 08:15:09 ERROR thanh_toan ma=503 thoi_gian=2300ms",
    "2026-10-29 09:02:44 ERROR thanh_toan ma=504 thoi_gian=30000ms",
]
MAU = re.compile(r"^(?P<ngay>\S+) (?P<gio>\d{2}):\d{2}:\d{2} (?P<muc>[A-Z]+)\s+(?P<module>\w+)")

for dong in dong_log:
    m = MAU.match(dong)
    print(m["gio"], m["muc"], m["module"], m.groupdict()["ngay"])

ma_loi = [int(x) for x in re.findall(r"ma=(\d+)", " ".join(dong_log))]
print(ma_loi)
08 INFO dang_nhap 2026-10-29
08 ERROR thanh_toan 2026-10-29
09 ERROR thanh_toan 2026-10-29
[503, 504]
  • (?P<ten>...) đặt tên cho nhóm, lấy bằng m["ten"] hoặc m.groupdict(). Mẫu dài nên luôn dùng nhóm có tên: đọc lại sau một tháng vẫn hiểu.
  • Khi mẫu có một nhóm, findall trả nội dung nhóm thay vì cả chuỗi khớp (như ma=(\d+) trả số).
  • re.compile biên dịch mẫu một lần, dùng lại nhiều lần; hợp khi mẫu dùng trong vòng lặp hoặc ở nhiều hàm.

4. Tham lam và không tham lam

import re

html = '<b>Giá</b>: <b>250.000đ</b>'
print(re.findall(r"<b>(.*)</b>", html))     # tham lam: lấy dài nhất có thể
print(re.findall(r"<b>(.*?)</b>", html))    # thêm ?: lấy ngắn nhất
['Giá</b>: <b>250.000đ']
['Giá', '250.000đ']

*, + mặc định "tham lam", nuốt càng nhiều càng tốt. Thêm ? phía sau (*?, +?) để lấy ít nhất. Ví dụ này chỉ để minh họa: đừng dùng regex để phân tích HTML thật, hãy dùng thư viện chuyên dụng như BeautifulSoup.

5. Cờ hay dùng

import re

print(re.findall(r"python", "Python, PYTHON, python", flags=re.IGNORECASE))
van_ban = "dòng 1: OK\ndòng 2: LỖI\ndòng 3: OK"
print(re.findall(r"^dòng (\d+): LỖI$", van_ban, flags=re.MULTILINE))
MAU_GIA = re.compile(r"""
    (?P<so>\d{1,3}(?:\.\d{3})*)   # 1.250.000: nhóm 3 chữ số cách bằng dấu chấm
    \s*(?:đ|VND|vnđ)             # đơn vị
""", re.VERBOSE | re.IGNORECASE)
print([m["so"] for m in MAU_GIA.finditer("Giá 1.250.000 đ, giảm còn 990.000VND")])
['Python', 'PYTHON', 'python']
['2']
['1.250.000', '990.000']

re.VERBOSE cho phép viết mẫu nhiều dòng kèm chú thích, rất nên dùng cho mẫu phức tạp. (?:...) là nhóm không bắt (chỉ để gom, không tạo nhóm kết quả).

Khi nào KHÔNG dùng regexKiểm tra chuỗi bắt đầu bằng gì: startswith. Tách CSV: module csv. Đọc JSON: json. Phân tích HTML: BeautifulSoup. Kiểm tra email "đúng tuyệt đối": gần như không thể bằng regex, hãy kiểm tra sơ bộ rồi gửi email xác nhận. Regex mạnh nhưng khó đọc; dùng công cụ đơn giản nhất làm được việc.

Tóm tắt

  • Mẫu viết bằng r"..."; \d \w \s . [] * + ? {m,n} ^ $ \b | ().
  • search, match, fullmatch, findall, finditer, sub, split; compile để dùng lại.
  • Nhóm có tên (?P<ten>...); không tham lam *?; cờ IGNORECASE, MULTILINE, VERBOSE.
  • Thử mẫu trên regex101.com (chọn Python) trước khi đưa vào code.

Bài tập

Bài 1. Số điện thoại di động

Trích mọi số di động Việt Nam (bắt đầu bằng 0 hoặc +84, sau đó là 9 chữ số bắt đầu bằng 3, 5, 7, 8 hoặc 9; có thể có dấu cách hoặc dấu chấm phân cách) và chuẩn hóa về dạng 0xxxxxxxxx.

Xem đáp án
import re

van_ban = "Gọi 0912.345.678 hoặc +84 987 654 321; bàn: 028 3822 1234; sai: 0123456789, 09123456789."
MAU = re.compile(r"(?<!\d)(?:\+84|0)[\s.]?([35789]\d{2})[\s.]?(\d{3})[\s.]?(\d{3})(?!\d)")
ket_qua = ["0" + "".join(m.groups()) for m in MAU.finditer(van_ban)]
print(ket_qua)
['0912345678', '0987654321']

(?<!\d) và (?!\d) là "nhìn quanh": đảm bảo trước và sau số không dính thêm chữ số, nên 09123456789 (11 số) bị loại. Số bàn 028... bị loại vì chữ số sau 0 là 2. Ba nhóm 3-3-3 chữ số cho phép có hoặc không có dấu cách, dấu chấm ở giữa; ghép ba nhóm lại và thêm 0 phía trước là ra dạng chuẩn. Đầu số di động thay đổi theo quy hoạch; dự án thật nên cập nhật theo danh sách đầu số hiện hành.

Bài 2. Đếm lỗi theo giờ

Từ file log có dạng ở mục 3, đếm số dòng ERROR theo từng giờ bằng nhóm có tên và Counter.

Xem đáp án
import re
from collections import Counter
from pathlib import Path

Path("app.log").write_text(
    "2026-10-29 08:15:02 INFO  dang_nhap\n"
    "2026-10-29 08:15:09 ERROR thanh_toan\n"
    "2026-10-29 08:40:00 ERROR thanh_toan\n"
    "dòng rác không đúng định dạng\n"
    "2026-10-29 09:02:44 ERROR kho\n",
    encoding="utf-8",
)
MAU = re.compile(r"^\S+ (?P<gio>\d{2}):\d{2}:\d{2} (?P<muc>[A-Z]+)\b")
dem = Counter()
with open("app.log", encoding="utf-8") as f:
    for dong in f:
        m = MAU.match(dong)
        if m and m["muc"] == "ERROR":
            dem[m["gio"] + "h"] += 1
print(dict(sorted(dem.items())))
{'08h': 2, '09h': 1}

Dòng không khớp mẫu (m là None) bị bỏ qua thay vì làm chương trình dừng. Với log thật, nên đếm luôn số dòng không khớp để phát hiện định dạng log bị đổi.

Nguồn tham khảo: Regular Expression HOWTO; re: Regular expression operations; regex101.

Bài tập thực hành

  1. Trích mọi số điện thoại di động Việt Nam (0 hoặc +84, 10 số) trong một đoạn văn.
  2. Đọc file log, đếm số dòng ERROR theo giờ bằng nhóm có tên.

Làm xong bài tập mới chuyển sang bài tiếp theo: tự viết code là cách duy nhất để nhớ lâu.

Bài tiếp theo
Ban biên tập HocFree

Chúng tôi viết những bài hướng dẫn dễ hiểu, thực tế để ai cũng có thể tự học lập trình và AI, hoàn toàn miễn phí.