在日常的编程和数据处理中，我们经常面临复杂的文本操作需求：
- 如何从海量文本中精准提取电子邮件地址？
- 怎样快速验证用户输入的电话号码格式是否正确？
- 如何批量替换文档中的特定日期格式？
这些看似棘手的问题，都可以借助一种强大的文本模式匹配工具——正则表达式 (Regular Expression, Regex) 来优雅地解决。
一、什么是正则表达式？
正则表达式，通常简称为“正则”或“regex”，是一种用于描述字符串中字符组合规律的模式。它本质上是一套预定义的规则，通过这些规则，我们可以高效地在文本中进行搜索、匹配、提取、替换和验证等操作。
正则表达式的应用范围极其广泛，几乎遍布所有主流的编程语言、文本编辑器和命令行工具，例如 JavaScript、Python、Java、C#，以及 VS Code、Sublime Text、grep、sed、Notepad++ 等。掌握正则表达式，无疑能极大地提升你的文本处理效率。
二、正则表达式的基础语法
正则表达式的核心在于其语法，它由普通字符和具有特殊含义的元字符组成。
1. 普通字符 (Literals)
最基础的构成部分是普通字符，它们在正则表达式中直接匹配自身。
| 正则表达式 | 匹配内容 |
hello | 精确匹配 “hello” |
abc123 | 精确匹配 “abc123” |
2. 元字符 (Metacharacters)
元字符是正则表达式的灵魂，它们赋予了模式匹配的灵活性和强大的表达能力。理解并熟练运用元字符是掌握正则表达式的关键。
| 符号 | 含义 | 示例 |
. | 匹配任何单个字符（除了换行符，某些模式下可匹配） | a.c 匹配 “abc”, “a1c” |
^ | 匹配字符串的开头 | ^The 匹配以 “The” 开头的字符串 |
$ | 匹配字符串的结尾 | .com$ 匹配以 “.com” 结尾的字符串 |
* | 匹配前一个元素零次或多次 | ab*c 匹配 “ac”, “abc”, “abbc” |
+ | 匹配前一个元素一次或多次 | ab+c 匹配 “abc”, “abbc”，不匹配 “ac” |
? | 匹配前一个元素零次或一次（即可选） | colou?r 匹配 “color”, “colour” |
{n} | 匹配前一个元素恰好 n 次 | a{3} 匹配 “aaa” |
{n,} | 匹配前一个元素至少 n 次 | a{2,} 匹配 “aa”, “aaa”, … |
{n,m} | 匹配前一个元素至少 n 次，但不超过 m 次 | a{2,4} 匹配 “aa”, “aaa”, “aaaa” |
[] | 匹配括号内的任意一个字符 | [aeiou] 匹配任意小写元音字母 |
[^] | 匹配除了括号内字符之外的任意字符 | [^0-9] 匹配任何非数字字符 |
| | 或（选择），匹配左右两边的任何一个模式 | |
() | 分组，将括号内的模式视为一个整体，并可用于捕获匹配 | (ab)+ 匹配 “ab”, “abab”, … |
\ | 转义字符，用于取消元字符的特殊含义，匹配其字面值 | \. 匹配一个句点 “.” |
3. 特殊字符序列
为了简化常见的模式匹配，正则表达式提供了一些预定义的特殊字符序列：
| 表达式 | 含义 | 等价于 |
\d | 匹配任何数字 | [0-9] |
\D | 匹配任何非数字字符 | [^0-9] |
\s | 匹配任何空白字符（空格、制表符、换行符等） | |
\S | 匹配任何非空白字符 | |
\w | 匹配任何单词字符（字母、数字、下划线） | [a-zA-Z0-9_] |
\W | 匹配任何非单词字符 | [^a-zA-Z0-9_] |
\b | 匹配单词边界（例如，空格、标点符号、字符串开头/结尾） | |
\B | 匹配非单词边界 |
三、常见模式案例
结合你提供的案例和更通用的模式：
1. 匹配电子邮件地址
[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}[a-zA-Z0-9._%+-]+: 匹配一个或多个字母、数字、下划线、点号、百分号、加号或减号（用户名部分）。@: 匹配 “@” 符号。[a-zA-Z0-9.-]+: 匹配一个或多个字母、数字、点号或减号（域名部分）。\.: 匹配一个点号（需要转义）。[a-zA-Z]{2,}: 匹配两个或多个字母（顶级域名部分，如 com, org, cn）。
2. 匹配手机号
^1[3-9]\d{9}$^: 匹配字符串的开头。1[3-9]: 匹配以 “1” 开头，第二位数字是 3 到 9 的数字。\d{9}: 匹配后面跟着的 9 位数字。$: 匹配字符串的结尾。
3. 匹配日期（常见格式：YYYY-MM-DD）
\d{4}-\d{2}-\d{2}\d{4}: 匹配四位数字（年份）。-: 匹配连字符。\d{2}: 匹配两位数字（月份或日期）。
你还可以扩展匹配其他日期格式，例如 \d{4}/\d{2}/\d{2} 或 \d{2}/\d{2}/\d{4}。
四、贪婪匹配与非贪婪匹配
默认情况下，量词 (*, +, ?, {}) 是贪婪的 (greedy)，它们会尽可能多地匹配字符。如果你希望它们尽可能少地匹配，可以使用非贪婪模式 (non-greedy)，在量词后面加上 ?。
- 例如，对于字符串
<p>Hello</p>World<p>Regex</p>：\<p>.*\<\/p>(贪婪) 会匹配整个<p>Hello</p>World<p>Regex</p>.\<p>.*?\<\/p>(非贪婪) 会匹配<p>Hello</p>和<p>Regex</p>.
五、捕获组与非捕获组
(pattern): 捕获组会将括号内匹配到的文本存储起来，方便后续引用或提取。(?:pattern): 非捕获组用于组合模式，但不存储匹配到的文本，可以提高效率。
例如，要提取日期中的年、月、日：
(\d{4})-(\d{2})-(\d{2})在匹配后，你可以通过捕获组的编号（通常从 1 开始）获取各个部分。
六、前瞻和后顾断言 (Lookaround Assertions)
这些是零宽度断言，它们匹配一个位置，而不是字符本身。
- 正向前瞻 (Positive Lookahead):
(?=pattern)断言当前位置的后面必须紧跟着pattern。 - 负向前瞻 (Negative Lookahead):
(?!pattern)断言当前位置的后面不能紧跟着pattern。 - 正向后顾 (Positive Lookbehind):
(?<=pattern)断言当前位置的前面必须紧跟着pattern。 - 负向后顾 (Negative Lookbehind):
(?<!pattern)断言当前位置的前面不能紧跟着pattern。
例如，要匹配后面跟着 “USD” 的数字：\d+(?=USD)
七、如何在不同环境中使用正则表达式
Python 示例：
import re
text = "请联系我：[email protected] 和 [email protected]"
pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"
results = re.findall(pattern, text)
print(results) # 输出 ['[email protected]', '[email protected]']在文本编辑器中使用：
大多数现代文本编辑器都支持在查找和替换功能中使用正则表达式。你需要启用相应的选项（通常是一个 .* 图标或 “Use Regular Expression” 复选框）。
八、学习建议与资源
- 在线测试工具：
- 练习题思路：
- 提取网页信息： 从简单的 HTML 片段中提取所有的
<a>标签的href属性值（链接）和标签内的文本（标题）。 - 校验用户输入： 编写正则表达式来验证用户注册表单中的用户名（例如，只能包含字母、数字和下划线，长度在 6-20 个字符之间）、密码强度（例如，包含大小写字母、数字和特殊符号）。
- 日志分析： 从服务器日志文件中提取特定时间范围内的所有 IP 地址或错误信息。
- 数据清洗： 清理文本数据中的多余空格、特殊字符或HTML标签。
- 提取网页信息： 从简单的 HTML 片段中提取所有的
- 系统学习：
- 查阅你所使用编程语言的正则表达式文档。
- 阅读相关的在线教程和书籍。
- 参与在线社区和论坛的讨论。
正则表达式是一项极具价值的技能，虽然初学时可能会遇到一些挑战，但一旦掌握，它将成为你处理文本数据的强大助手。通过不断地学习和实践，你将能够灵活运用正则表达式解决各种复杂的文本处理任务，开启文本处理的魔法大门。
发表回复