正则表达式的基础和应用
一、正则表达式核心语法（四大基石）
1. 元字符（特殊符号）
- 定位符
^：匹配字符串开始位置
$：匹配字符串结束位置
\b：匹配单词边界（如\bword\b匹配独立单词） - 字符类
.：任意单个字符（默认不包括换行符）
\d：数字（等价[0-9]）
\w：字母、数字、下划线（等价[a-zA-Z0-9_]）
\s：空白符（空格、Tab、换行等） - 转义符
\：将特殊字符转为普通字符（如\.匹配真正的点号）
2. 量词（重复次数）
*：0次或多次+：1次或多次?：0次或1次{n}：精确n次{n,}：至少n次{n,m}：n到m次
3. 字符集合与逻辑
[abc]：匹配a、b、c中的任意一个[a-z]：匹配小写字母a到z[^abc]：否定集合（匹配不在abc中的字符）|：逻辑或（如cat|dog匹配"cat"或"dog"）
4. 分组与引用
( )：捕获分组（可通过\1或$1反向引用）(?: )：非捕获分组（仅用于逻辑分组）(?P<name>)：命名分组（Python中可通过名称引用）
二、正则引擎工作原理（NFA vs DFA）
1. NFA引擎（主流实现）
- 特点：支持回溯、捕获组、零宽断言等高级功能，但存在性能风险
- 匹配流程：
- 从起始位置尝试匹配
- 记录所有可能的分支（回溯点）
- 失败时退回最近回溯点继续尝试
- 直到匹配成功或完全失败
2. DFA引擎
- 特点：无回溯，线性时间复杂度，但功能受限（不支持分组引用）
- 流程：一次性扫描文本，无状态回退
三、关键应用场景与解决方案
1. 数据验证（精准匹配）
-
邮箱验证
^[\w\.-]+@([\w-]+\.)+[\w-]{2,4}$^和$确保整行匹配[\w\.-]+允许用户名包含字母、数字、点、减号([\w-]+\.)+匹配多级域名（如 "mail." 或 "google.com."）[\w-]{2,4}匹配顶级域名（如 com、org）
-
强密码规则
^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,}$(?=.*\d)：正向预查确保包含数字(?=.*[a-z])：必须有小写字母(?=.*[A-Z])：必须有大写字母.{8,}：总长度至少8位
2. 数据提取（捕获关键信息）
-
从URL提取域名和路径
^https?://([^/?#]+)([^?#]*)- 分组1
([^/?#]+)捕获域名（如www.example.com） - 分组2
([^?#]*)捕获路径（如/path/to/page）
- 分组1
-
日志时间戳提取
\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}- 精确匹配
YYYY-MM-DD HH:MM:SS格式
- 精确匹配
3. 文本清洗与替换
-
删除HTML标签
<[^>]+>- 匹配所有以
<开头、>结尾的内容 - 使用
re.sub(r'<[^>]+>', '', html)替换为空
- 匹配所有以
-
格式化电话号码
输入：1234567890→ 输出：(123) 456-7890re.sub(r'(\d{3})(\d{3})(\d{4})', r'(\1) \2-\3', phone)
四、性能优化与避坑指南
1. 避免灾难性回溯
- 危险模式：
(a+)+或.*.*（嵌套量词导致指数级复杂度） - 优化方法：
- 用具体字符代替
.*（如\d+代替.*） - 使用原子分组
(?>...)（部分引擎支持） - 添加锚点限制范围（如
^...$）
- 用具体字符代替
2. 贪婪与非贪婪选择
- 贪婪模式（默认）：
.*匹配尽可能多内容<div>.*</div> → 可能跨多个标签错误匹配 - 非贪婪模式：
.*?匹配最短结果<div>.*?</div> → 精确匹配单个标签内容
3. 预编译与复用
# 预编译提升性能（适用于频繁调用场景）
pattern = re.compile(r'\d{3}-\d{4}')
pattern.findall('Tel: 123-4567')五、进阶技巧
1. 零宽断言（Lookaround）
(?=...)：正向先行断言（右侧必须满足条件）\d+(?=px) → 匹配 "100px" 中的 "100"(?<=...)：正向后行断言（左侧必须满足条件）(?<=\$)\d+ → 匹配 "$200" 中的 "200"
2. 条件匹配
(?(id)yes|no) → 根据分组是否存在选择分支- 示例：匹配带区号的电话号码
($)? \d{3} (?(1)$|) → 匹配 "(123)" 或 "123"
六、好用的工具
- 调试工具
- RegExr：实时高亮匹配结果，显示分组与回溯
- Regex101：支持多语言引擎，提供错误解释
- 可视化工具
Regexper：图形化展示正则逻辑
七、总结
正则表达式的核心在于 模式定义 与 引擎匹配机制 的结合。掌握以下要点即可应对90%的场景：
- 精准定位：用
^、$、\b约束边界 - 明确范围：用字符集合
[...]和量词{n,m}减少模糊匹配 - 合理分组：通过
( )提取关键数据 - 性能优先：避免嵌套量词，优先使用具体字符
以下是Python中正则表达式的用法
一、环境准备
1. 导入re模块
import re # Python内置正则库2. 原始字符串（Raw String）
正则表达式推荐使用原始字符串（前缀
r），避免Python字符串转义冲突：pattern = r'\d+' # 正确：匹配数字 pattern = '\\d+' # 错误：需双重转义，可读性差
二、四大核心方法
1. re.match() - 从开头匹配
只匹配字符串开头，成功返回
Match对象，否则返回Nonetext = "123abc" result = re.match(r'\d+', text) if result:print("匹配成功:", result.group()) # 输出: 1232. re.search() - 全局搜索
扫描整个字符串，找到第一个匹配项
text = "abc456def" result = re.search(r'\d+', text) print(result.group()) # 输出: 4563. re.findall() - 查找所有匹配
返回所有匹配结果的列表（无分组时返回字符串列表）
text = "1a2b3c" numbers = re.findall(r'\d', text) print(numbers) # 输出: ['1', '2', '3']4. re.sub() - 替换匹配内容
将匹配内容替换为指定字符串
text = "2023-01-01" new_text = re.sub(r'-', '/', text) print(new_text) # 输出: 2023/01/01
三、分组与捕获
1. 基本分组
( )
用括号分组，通过
group(index)提取text = "John:30" pattern = r'(\w+):(\d+)' match = re.search(pattern, text) print(match.group(1)) # John print(match.group(2)) # 302. 非捕获分组
(?: )
分组但不捕获，节省内存
text = "apple orange" pattern = r'(?:a|an|the) (\w+)' # 匹配冠词后的单词但不捕获冠词 match = re.search(pattern, text) print(match.group(1)) # apple3. 命名分组
(?P<name>)
为分组命名，提升可读性
text = "Date: 2023-08-15" pattern = r'Date: (?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})' match = re.search(pattern, text) print(match.group('year')) # 2023 print(match.groupdict()) # {'year': '2023', 'month': '08', 'day': '15'}
四、高级功能
1. 正则标志（Flags）
控制匹配模式的全局行为
text = "Hello\nWorld" # 多行模式（^和$匹配每行开头结尾） re.findall(r'^\w+', text, flags=re.MULTILINE) # 输出: ['Hello', 'World'] # 忽略大小写 re.findall(r'hello', text, flags=re.IGNORECASE) # 输出: ['Hello']2. 预编译正则表达式
提升重复使用时的性能
pattern = re.compile(r'\d{3}-\d{4}') # 编译为RegexObject result = pattern.findall("Tel: 123-4567") # ['123-4567']3. 替换时使用函数
动态生成替换内容
def to_upper(match):return match.group().upper()text = "hello world" new_text = re.sub(r'\b\w', to_upper, text) print(new_text) # 输出: Hello World
五、经典实战案例
1. 验证邮箱格式
def validate_email(email):pattern = r'^[\w\.-]+@[\w\.-]+\.\w+$'return re.match(pattern, email) is not Noneprint(validate_email("user@example.com")) # True print(validate_email("invalid.email@")) # False2. 提取HTML链接
html = '<a href="https://example.com">Link</a>' pattern = r'href="(https?://[^"]+)"' match = re.search(pattern, html) print(match.group(1)) # https://example.com3. 转换日期格式
date = "2023-08-15" new_date = re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\2/\3/\1', date) print(new_date) # 08/15/2023
六、避坑指南
贪婪匹配陷阱
使用.*?非贪婪模式避免过度匹配：text = "<div>Hello</div><div>World</div>" re.findall(r'<div>(.*?)</div>', text) # ['Hello', 'World']特殊字符转义
匹配.、*等符号需转义：re.findall(r'3\.14', "pi=3.14") # ['3.14']性能优化
避免在循环中重复编译正则，优先使用预编译。
七、调试工具
在线测试
RegExr：实时高亮匹配结果，显示分组信息- 代码调试
使用re.DEBUG标志查看正则解析过程：re.compile(r'\d+', re.DEBUG)
