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.
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
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:
| Mẫu | Khớp |
|---|---|
\d, \w, \s | Một chữ số; một ký tự chữ, số hoặc _ (gồm cả chữ có dấu); một khoảng trắng |
\D, \W, \S | Ngược 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) |
\b | Ranh 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.
searchtìm ở bất kỳ đâu,matchchỉ ở đầu chuỗi,fullmatchcả chuỗi (dùng để kiểm tra định dạng).findalltrả list mọi chuỗi khớp;finditertrả từng đối tượng khớp (khi cần vị trí hoặc nhóm).subthay thế; trong chuỗi thay thế,\1,\2là 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 bằngm["ten"]hoặcm.groupdict(). Mẫu dài nên luôn dùng nhóm có tên: đọc lại sau một tháng vẫn hiểu.- Khi mẫu có một nhóm,
findalltrả nội dung nhóm thay vì cả chuỗi khớp (nhưma=(\d+)trả số). re.compilebiên 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).
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;compileđể dùng lại.- Nhóm có tên
(?P<ten>...); không tham lam*?; cờIGNORECASE,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
- Trích mọi số điện thoại di động Việt Nam (0 hoặc +84, 10 số) trong một đoạn văn.
- 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.


