Python 的 re 模块中 split()、sub()、subn() 方法有什么作用?

一行日志拆错，后面的字段全歪了。

原始数据长这样：

2026-06-04 10:21:33 | order_id=77881, user_id=1024; status=PAID   amount=199

有人直接写：

line.split(" ")

我看到这种写法一般会皱一下眉。空格数量一变，字段位置就乱；分隔符从逗号换成分号，又要补一坨判断。Python 里处理这种脏字符串，re 模块里的 split()、sub()、subn() 反而更像干活用的刀。

先看 re.split()。

它不是按固定字符切，而是按正则规则切。日志、导入文件、运营后台导出的 CSV，最常见的问题就是分隔符不老实：有时一个空格，有时多个空格，有时逗号、分号、竖线混着来。

import re

line = "order_id=77881, user_id=1024; status=PAID   amount=199"

parts = re.split(r"[,;\s]+", line)

print(parts)
# ['order_id=77881', 'user_id=1024', 'status=PAID', 'amount=199']

这里的 [,;\s]+ 我平时会这么写，意思是：逗号、分号、空白字符，都算分隔符，而且连续出现也只切一次。

这比一层层 replace() 再 split() 干净多了。

有个细节要注意，如果正则里用了捕获括号，分隔符也会被保留下来。这个坑我见过几次，排查半天发现是括号多写了。

text = "A, B; C"

print(re.split(r"[,;]\s*", text))
# ['A', 'B', 'C']

print(re.split(r"([,;])\s*", text))
# ['A', ',', 'B', ';', 'C']

如果你不是故意要保留分隔符，就别随手加括号。真要分组但不想保留，用 (?:...)。

print(re.split(r"(?:[,;])\s*", text))
# ['A', 'B', 'C']

再看 re.sub()。

这个更常用，替换。不是简单字符串替换，而是按模式替换。

比如接口日志里手机号要脱敏，别写一堆切片，字段格式一变就崩。直接按手机号规则处理。

import re

log = "buyer=13812345678 receiver=13988887777 order=77881"

safe_log = re.sub(
r"(?<!\d)(1[3-9]\d)\d{4}(\d{4})(?!\d)",
r"\1****\2",
    log
)

print(safe_log)
# buyer=138****5678 receiver=139****7777 order=77881

这段正则看着长一点，但它做了两件事：只处理 11 位手机号；前后不能再跟数字，避免把一串订单号中间误伤。

re.sub() 的第三个参数是替换后的内容。这个内容可以是字符串，也可以是函数。函数替换在清洗数据时特别顺手。

比如运营导入金额，有人填 ￥1,299.00，有人填  299 元，还有人复制了全角空格。入库前先清一下：

import re
from decimal import Decimal

raw_amounts = ["￥1,299.00", " 299 元", "３９.９"]


defnormalize_amount(value: str) -> Decimal:
    value = value.translate(str.maketrans("０１２３４５６７８９．", "0123456789."))
    value = re.sub(r"[^\d.]", "", value)

ifnot value:
raise ValueError("金额为空，不能入库")

return Decimal(value)


for item in raw_amounts:
    print(normalize_amount(item))

这里我没有上来就写复杂正则。先把全角数字转半角，再把非数字和小数点干掉。代码是给以后排问题的人看的，不是给正则比赛看的。

sub() 还有一个 count 参数，能限制替换次数。

这个在处理日志头的时候挺有用，比如只去掉第一段时间，不动后面的业务内容。

import re

line = "2026-06-04 10:21:33 ERROR create_time=2026-06-01 msg=failed"

clean = re.sub(
r"^\d{4}-\d{2}-\d{2}\s+\d{2}:\d{2}:\d{2}\s+",
"",
    line,
    count=1
)

print(clean)
# ERROR create_time=2026-06-01 msg=failed

如果不加开头的 ^，或者不限制范围，后面的业务时间也可能被你顺手干掉。线上清洗脚本最怕这种“看起来没报错”的错。

最后是 re.subn()。

它和 sub() 很像，也是替换，但会多返回一个数字：替换了几次。

这个数字很有用。批量脚本里，我一般不会只关心结果，还要知道到底动了多少数据。尤其是清洗手机号、身份证、异常字符这种操作，替换次数就是一个很便宜的校验指标。

import re

rows = [
"user=tom phone=13812345678",
"user=jerry phone=",
"user=lucy phone=13988887777"
]

for row in rows:
    masked, hit = re.subn(
r"(?<!\d)(1[3-9]\d)\d{4}(\d{4})(?!\d)",
r"\1****\2",
        row
    )

if hit == 0:
        print(f"[WARN] 未找到手机号: {row}")
continue

    print(masked)

输出大概是这样：

user=tom phone=138****5678
[WARN] 未找到手机号: user=jerry phone=
user=lucy phone=139****7777

subn() 适合放在批处理、导入校验、日志脱敏这类场景里。它不是功能更强，而是更适合排查。脚本跑完，你至少知道命中了多少条，没命中的数据要不要丢出来看一眼。

这三个方法放一起看，区别挺清楚。

split() 管拆。字符串里分隔符不固定，用它。

sub() 管替换。脱敏、清洗、格式修正，用它。

subn() 也是替换，但顺手告诉你替换了几次。批量处理时，我更喜欢它，心里有数。

最后补一句，正则别写得太玄。

能用一条简单规则解决，就别堆十几个分支。真遇到复杂数据，宁可拆成两三步处理，中间打印一下样本，也别把所有逻辑塞进一条正则里。后面出问题的时候，你会感谢当时那个没逞强的自己。