正则表达式[学习笔记分享]

正则表达式

参考资料

GPT-5 by https://aizex.cn/cw4Y6M

Kimi-K2 by https://www.kimi.com/

DeepSeek-V3.1 by https://yuanbao.tencent.com

正则表达式（Regular Expression, 简称 Regex）是一种用模式来描述文本结构的语言，常用于匹配、查找、验证或替换文本

比如，邮箱往往符合 <数字或字母>@<域名> 的结构，这个结果可用正则表达式描述为：

[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}

其匹配原理通常是：

1. 从字符串的第一个字符开始尝试匹配
2. 如果某个部分不匹配，就回溯到上个可能的匹配点再尝试
3. 最后返回“匹配成功/失败”的结果，或返回所有匹配到的片段

正则表达式的标准语法是大体相通的，但是在不同编程语言下可能存在细微的区别

基础语法

元字符与普通字符

在正则表达式的语法中，字符分为普通字符与元字符

• 普通字符：代表它自己。例如 a 就匹配字符串中的字母 a
• 元字符：具有特殊含义

常见的元字符有

符号	含义	示例
句号 .	匹配任意一个字符（除开换行符号）	a.c 匹配 abc、axc
[]	匹配方括号内任一字符
[^]	匹配不在方括号内的字符
^	匹配字符串/行开头	^abc 匹配以 abc 开头的文本
$	匹配字符串/行结尾	abc$ 匹配以 abc 结尾的文本
\d	匹配任意数字（部分编程语言可能匹配其他语言的数字字符）
\D	匹配任意非数字
\w	匹配任意字母、数字、下划线

量词与重复

量词就是告诉正则“这个部分要重复多少次”

量词	含义	示例	匹配结果举例
*	任意次	ba*	b ba baaa
+	1 次及以上	ba+	ba baaa
?	0 次或 1 次	ba?	b ba
{n,m}	重复 n 到 m 次	ba{2,4}	baa baaa baaa
{n}	指定重复 n 次

语法上，量词控制的范围是前一个元素

{2,} 表示至少重复两次

匹配的贪婪与惰性

正则表达式下，可能出现多个匹配片段相互重叠、嵌套的问题，比如：

<.*>

如上表达式匹配所有尖括号包含部分，如果遇到以下的字符串

<abc><def>

注意到，<abc> 符号条件、<abc><def> 同样符合条件。这时，是否要去除重叠依赖于具体场景

正则表达式提供了是否去除重叠的选项，贪婪匹配和惰性匹配——

• 贪婪（greedy）匹配会为片段尽可能多地匹配字符，直到最后一个。对于如上的示例字符串，返回 <abc><def>

• 惰性匹配会尽可能少地匹配字符，生成更多短小的匹配片段。对于如上的示例字符串，返回 <abc>、<def>

其中量词默认是贪婪匹配。在量词后面加 ? 启用惰性匹配，如 *?

分组与引用

分组、捕获、引用

之前的语法中，元字符只能匹配单个字符及其复制，如 ab+ 只重复 b。而有时候我们需要匹配词语，这就是分组的作用——(ab)+ 按照整个 ab 做匹配（匹配 ab, abab, ababab）

当你希望把一个整体结构看作一个元素时，就需要用 ()，它的主要作用有：

• 控制量词的作用范围
• 把匹配的部分保存起来，后续的匹配可以直接引用保存片段

正则中的每一对括号，默认都会有一个从 1 开始的编号

(\d{3})-(\d{4})

上述表达式匹配 123-4567 时，第一组 \1 匹配 123，第二组\2 匹配 4567，且可以通过编号调用这些内容

(?: ) 是非捕获组，只分组，不保存结果

Python 中，可以使用自定义的名字代替编号 (?P<name>)

正则使用被分组捕获的元素，就是 引用

(\w+)\s+\1

(\w+) 匹配一个单词（即多个连着的字母），且自动被编号保存；\s 匹配空格；\1 则匹配编号为 1 的内容，即 (\w+) 匹配的单词

如，cat cat 会被匹配，cat dog 不会被匹配

用于匹配一个位置，如第 x 字符与第 x+1 字符之间的位置，而不是具体的字符。它在匹配时不“吃掉”字符

(?...)

（为方便理解，本章节使用 <exp> 代表表达式、| 代表位置而非字符）

在判断位置时，往往需要以某字符片段为基准，可以匹配或不匹配正则表达式 <exp> 代表的片段；可以在该片段前的位置 |<exp>，也可以在该片段后的位置 <exp>|。根据以上提到的两个选项，可以分出四种零宽断言类型

• (?=<exp>) 正向前查找：匹配一个位置，这个位置右侧的内容必须能匹配表达式 <exp>
• (?!<exp>) 负向前查找：匹配一个位置，这个位置右侧的内容必须不能匹配表达式 <exp>
• (?<=<exp>) 正向后查找：匹配一个位置，这个位置左侧的内容必须能匹配表达式 <exp>
• (?<!<exp>) 负向后查找

记忆方法

出现 ! 代表为负向查找，要求不能匹配表达式 <exp>

出现 < 代表向后查找，检测这个位置左侧的内容

示例：

user@example.com

对于如上文本，有：

• \w+(?=@) 匹配 user。(?=@) 查找到位置为 @ 的左侧 user|@，\w+ 在零宽断言的左边，匹配到 user
• (?<=@)\w+ 匹配 example。(?=@) 查找到位置为 @ 的右侧 @|example.com，\w+ 在零宽断言的左边，匹配到 example