目录
引言
第一部分：正则表达式基础
1. 什么是正则表达式？
2. 正则表达式的组成
3. 正则表达式的执行过程
第二部分：常用正则表达式元字符
1. 点号（.）
2. 星号（*）
3. 加号（+）
4. 问号（?）
5. 花括号（{}）
6. 方括号（[]）
7. 脱字符（^）
8. 美元符号（$）
第三部分：高级正则表达式技巧
1. 捕获组
2. 反向引用
3. 非捕获组
4. 前瞻断言与后瞻断言
5. 贪婪与非贪婪模式
第四部分：正则表达式实战案例
1. 电子邮件地址验证
2. 电话号码提取
3. HTML标签清理
第五部分：常见错误与陷阱
1. 忘记转义特殊字符
2. 误用量词导致的性能问题
3. 忽略字符编码问题
引言
正则表达式（Regular Expression，简称 regex 或 regexp）是一种强大的文本处理工具，广泛应用于各种编程语言和工具中。无论是用于搜索、替换、验证还是提取特定模式的数据，正则表达式都能提供高效且灵活的解决方案。本文将详细介绍正则表达式的基本概念、常用元字符、高级技巧以及实战案例，帮助读者从入门到精通。
第一部分：正则表达式基础
1. 什么是正则表达式？
正则表达式是一种描述字符串模式的语言。它允许你定义一个模式，然后用这个模式来匹配、查找、替换或验证字符串。正则表达式通常用于文本处理任务，如搜索和替换文本中的特定模式。
2. 正则表达式的组成
- 字符集：普通字符（如字母、数字）和特殊字符（如元字符）。
- 元字符：具有特殊含义的字符，如
.、*、+等。 - 量词：指定字符或字符集出现的次数，如
*、+、?、{}。 - 断言：指定匹配条件，如
^、$、\b。
3. 正则表达式的执行过程
正则表达式引擎会从左到右扫描输入字符串，并尝试匹配定义的模式。如果找到匹配项，引擎会返回匹配的结果；否则，返回不匹配的结果。正则表达式引擎支持多种匹配模式，如贪婪匹配和非贪婪匹配。
第二部分：常用正则表达式元字符
1. 点号（.）
- 含义：匹配除换行符外的任意单个字符。
- 示例：
a.b可以匹配a1b、a b、a$b等。
2. 星号（*）
- 含义：匹配前一个字符零次或多次。
- 示例：
ab*c可以匹配ac、abc、abbc等。
3. 加号（+）
- 含义：匹配前一个字符一次或多次。
- 示例：
ab+c可以匹配abc、abbc、abbbc等。
4. 问号（?）
- 含义：匹配前一个字符零次或一次。
- 示例：
ab?c可以匹配ac、abc。
5. 花括号（{}）
- 含义：指定某个模式出现的具体次数。
- 示例：
a{2,4}可以匹配aa、aaa、aaaa。
6. 方括号（[]）
- 含义：匹配方括号内的任一字符。
- 示例：
[abc]可以匹配a、b、c。
7. 脱字符（^）
- 含义：在方括号内表示非该范围内的字符；在字符串开头表示非此模式。
- 示例：
[^abc]可以匹配除a、b、c以外的任何字符；^abc表示以abc开头的字符串。
8. 美元符号（$）
- 含义：表示字符串的结尾。
- 示例：
abc$表示以abc结尾的字符串。
第三部分：高级正则表达式技巧
1. 捕获组
- 含义：使用圆括号
()创建捕获组，可以提取匹配的部分。 - 示例：
(ab)c可以匹配abc，并且捕获组会捕获ab。
2. 反向引用
- 含义：利用捕获组实现复杂匹配，使用
\1、\2等反向引用。 - 示例：
(\w+)\1可以匹配连续两次出现的单词，如testtest。
3. 非捕获组
- 含义：使用
(?:...)创建非捕获组，不会被捕获。 - 示例：
(?:ab)c可以匹配abc，但不会捕获ab。
4. 前瞻断言与后瞻断言
- 正向前瞻断言：
(?=...)，匹配后面跟指定模式的字符串。 - 负向前瞻断言：
(?!...)，匹配后面不跟指定模式的字符串。 - 正向后瞻断言：
(?<=...)，匹配前面有指定模式的字符串。 - 负向后瞻断言：
(?<!...)，匹配前面没有指定模式的字符串。 - 示例：
abc(?=def)可以匹配abc，但前提是后面必须跟着def。
5. 贪婪与非贪婪模式
- 贪婪模式：量词默认是贪婪的，尽可能多地匹配字符。
- 非贪婪模式：在量词后加上
?，尽可能少地匹配字符。 - 示例：
a.*b贪婪模式匹配a...b，a.*?b非贪婪模式匹配a...b中的第一个b。
第四部分：正则表达式实战案例
1. 电子邮件地址验证
- 需求：验证一个字符串是否符合电子邮件地址的格式。
- 正则表达式：
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$ - 示例：
import reemail_pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$' test_emails = ["example@example.com", "invalid-email", "user@domain.co.uk"]for email in test_emails:if re.match(email_pattern, email):print(f"{email} 是有效的电子邮件地址")else:print(f"{email} 是无效的电子邮件地址")
2. 电话号码提取
- 需求：从文本中提取电话号码。
- 正则表达式：
\d{3}-\d{3}-\d{4} - 示例：
import rephone_pattern = r'\d{3}-\d{3}-\d{4}' text = "请拨打 123-456-7890 或者 987-654-3210 联系我们。"phone_numbers = re.findall(phone_pattern, text) print("提取的电话号码:", phone_numbers)
3. HTML标签清理
- 需求：从字符串中去除HTML标签。
- 正则表达式：
<[^>]+> - 示例：
import rehtml_pattern = r'<[^>]+>' text = "<p>这是一个段落。</p><div>这是另一个段落。</div>"cleaned_text = re.sub(html_pattern, '', text) print("清理后的文本:", cleaned_text)
第五部分：常见错误与陷阱
1. 忘记转义特殊字符
- 问题：特殊字符如
.,*,+,?,(,),[,],{,},|,\需要转义。 - 解决方法：使用反斜杠
\转义特殊字符。
2. 误用量词导致的性能问题
- 问题：贪婪量词可能导致正则表达式引擎进行大量不必要的回溯。
- 解决方法：使用非贪婪量词或优化正则表达式。
3. 忽略字符编码问题
- 问题：处理非ASCII字符时，忽略字符编码可能导致匹配失败。
- 解决方法：确保正则表达式和输入字符串使用相同的字符编码
