正则表达式（Regular Expression, Regex）详解

正则表达式是一种用来匹配字符串的模式，它为文本处理提供了强大的功能，可以用于查找、替换、提取特定模式的文本。正则表达式广泛应用于文本搜索、数据验证、文本替换等场景。

一、正则表达式的基本语法

正则表达式由字符、元字符和量词组成。通过它们的组合，可以构建出非常复杂的匹配规则。

1. 元字符（Metacharacters）

元字符是正则表达式中的特殊字符，用于定义某种特定的匹配模式：

元字符	含义
`.`	匹配任意单个字符（除换行符）
`^`	匹配字符串的开头
`$`	匹配字符串的结尾
`*`	匹配前面的字符零次或多次
`+`	匹配前面的字符一次或多次
`?`	匹配前面的字符零次或一次
`[]`	匹配括号内的任意字符（字符集）
`	`
`()`	分组，括号内的内容作为一个整体匹配
`\`	转义符，表示将元字符转换为普通字符

2. 量词（Quantifiers）

量词用于控制匹配的次数，指定某个模式出现的次数范围：

量词	含义
`*`	匹配前面的模式零次或多次
`+`	匹配前面的模式一次或多次
`?`	匹配前面的模式零次或一次
`{n}`	匹配前面的模式正好 `n` 次
`{n,}`	匹配前面的模式至少 `n` 次
`{n,m}`	匹配前面的模式至少 `n` 次，至多 `m` 次

3. 字符集（Character Classes）

字符集是用来定义要匹配的字符范围或类别：

字符集	含义
`[abc]`	匹配字符 `a`、`b` 或 `c`
`[^abc]`	匹配除 `a`、`b`、`c` 之外的任意字符
`[a-z]`	匹配所有小写字母
`[A-Z]`	匹配所有大写字母
`[0-9]`	匹配所有数字
`\d`	匹配任意数字，等价于 `[0-9]`
`\D`	匹配任意非数字字符，等价于 `[^0-9]`
`\w`	匹配任意字母、数字或下划线，等价于 `[A-Za-z0-9_]`
`\W`	匹配任意非字母、数字或下划线字符
`\s`	匹配任意空白字符（空格、制表符、换行符等）
`\S`	匹配任意非空白字符

二、常见正则表达式例子

1. 匹配电子邮件地址

要匹配一个电子邮件地址，可以使用以下正则表达式：

[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+

解释：

[a-zA-Z0-9_.+-]+：匹配邮箱名称部分，允许字母、数字、下划线、点号、加号、减号等字符，并且至少一个字符。
@：匹配固定的符号 @。
[a-zA-Z0-9-]+：匹配域名部分，允许字母、数字和短横线。
\.：匹配点号。
[a-zA-Z0-9-.]+：匹配域名后缀部分，允许字母、数字、点号和短横线。

2. 匹配电话号码（中国手机号码）

匹配中国的11位手机号码（以1开头）：

1[3-9]\d{9}

解释：

1：匹配以 1 开头。
[3-9]：匹配第二位数字，范围为 3 到 9。
\d{9}：匹配后面9位数字。

3. 匹配IP地址

IPv4 地址的匹配：

\b(?:\d{1,3}\.){3}\d{1,3}\b

解释：

\d{1,3}：匹配1到3位数字。
\.：匹配点号。
(?: ... )：非捕获组，匹配点号和数字部分三次。
\b：匹配边界，确保是独立的IP地址。

4. 匹配日期（格式：YYYY-MM-DD）

\d{4}-\d{2}-\d{2}

解释：

\d{4}：匹配4位数字（年份）。
-：匹配连字符。
\d{2}：匹配两位数字（月份和日期）。

5. 匹配URL地址

https?:\/\/(www\.)?[a-zA-Z0-9-]+\.[a-zA-Z]{2,}(/[a-zA-Z0-9#]+/?)*

解释：

https?：匹配 http 或 https。
:\/\/：匹配 ://。
(www\.)?：可选匹配 www.。
[a-zA-Z0-9-]+：匹配域名部分。
\.[a-zA-Z]{2,}：匹配域名后缀，至少两位字母。
(/[a-zA-Z0-9#]+/?)*：匹配路径部分，可以出现零次或多次。

三、正则表达式在Python中的使用

在Python中，正则表达式由 re 模块提供支持。我们可以使用 re 模块来执行匹配、替换、查找等操作。

1. 导入 `re` 模块

import re

2. 常用方法

re.search()：搜索字符串，返回第一个匹配的对象。
re.match()：从字符串的开头开始匹配，如果开头不匹配则返回 None。
re.findall()：返回所有匹配的字符串列表。
re.sub()：替换匹配的字符串。
re.split()：根据正则表达式分割字符串。

3. 实例代码

1. 匹配电子邮件地址

import re

text = "请联系: example@gmail.com 或 admin@domain.org"
email_pattern = r'[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+'

emails = re.findall(email_pattern, text)
print(emails)  # 输出: ['example@gmail.com', 'admin@domain.org']

2. 替换手机号码中的中间部分

将中国手机号的中间四位替换为****，如 13812345678 替换为 138****5678：

phone = "13812345678"
masked_phone = re.sub(r'(\d{3})\d{4}(\d{4})', r'\1****\2', phone)
print(masked_phone)  # 输出: 138****5678

3. 分割字符串

使用正则表达式按空格或逗号分割字符串：

text = "apple, banana orange,grape"
split_text = re.split(r'[,\s]+', text)
print(split_text)  # 输出: ['apple', 'banana', 'orange', 'grape']

4. 验证日期格式

验证日期是否符合 YYYY-MM-DD 格式：

date_pattern = r'^\d{4}-\d{2}-\d{2}$'
date = "2024-10-22"

if re.match(date_pattern, date):
    print("日期格式正确")
else:
    print("日期格式错误")

四、贪婪与非贪婪匹配

贪婪匹配：正则表达式默认是贪婪的，会尽可能多地匹配字符。
非贪婪匹配：通过在量词后加 ?，让正则表达式匹配尽可能少的字符。

例子

text = "<html><head><title>Title</title></head><body>Content</body></html>"

# 贪婪匹配，会匹配到从第一个 < 到最后一个 >
print(re.findall(r'<.*>', text))  
# 输出: ['<html><head><title>Title</title></head><body>Content</body></html>']

# 非贪婪匹配，匹配最短的 < 和 > 之间的内容
print(re.findall(r'<.*?>', text)) 
# 输出: ['<html>', '<head>', '<title>', '</title>', '</head>', '<body>', '</body>', '</html>']