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 re
  
  email_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 re
  
  phone_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 re
  
  html_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