正则表达式

正则表达式详细说明

一、正则表达式基础概念

正则表达式（Regular Expression，简称 Regex 或 RegExp）是一种用于匹配和处理文本的强大工具，它通过特定的字符组合来描述文本模式。在编程、文本编辑器、命令行工具等场景中广泛应用，可用于文本搜索、替换、验证等操作。

二、正则表达式基本语法

1. 普通字符

• 定义：直接匹配字符本身，包括字母、数字、标点符号等。

• 示例

  ：

  • abc：匹配字符串中的abc子串。
  • 123：匹配数字123。

2. 特殊字符（元字符）

元字符具有特殊含义，需配合转义符\使用才能匹配字面量。

元字符	含义	示例
.	匹配任意单个字符（除换行符\n外）	a.c可匹配abc、a0c，但不匹配a\nc
^	匹配字符串开头	^abc仅匹配以abc开头的字符串
`	元字符	含义
-------	------------------------------------	--------------------------------------------
.	匹配任意单个字符（除换行符\n外）	a.c可匹配abc、a0c，但不匹配a\nc
^	匹配字符串开头	^abc仅匹配以abc开头的字符串

 \| 匹配字符串结尾                       \| `abc$`仅匹配以`abc`结尾的字符串              |

| * | 匹配前一个元素 0 次或多次 | a*b可匹配b（a 出现 0 次）、ab、aab等 |
| + | 匹配前一个元素 1 次或多次 | a+b可匹配ab、aab，但不匹配b |
| ? | 匹配前一个元素 0 次或 1 次 | a?b可匹配b、ab |
| {n} | 匹配前一个元素恰好 n 次 | a{2}b匹配aab |
| {n,} | 匹配前一个元素至少 n 次 | a{2,}b匹配aab、aaab等 |
| {n,m} | 匹配前一个元素 n 到 m 次 | a{1,3}b匹配ab、aab、aaab |
| [] | 字符集合，匹配其中任意一个字符 | [abc]匹配a、b或c |
| [^] | 否定字符集合，匹配不在其中的任意字符 | [^abc]匹配除a、b、c外的字符 |
| \ | 转义符，使元字符变为普通字符 | \.匹配.，\*匹配* |

3. 预定义字符类

为常见字符集合提供简写形式：

字符类	等价形式	含义
\d	[0-9]	匹配数字
\D	[^0-9]	匹配非数字
\w	[a-zA-Z0-9_]	匹配字母、数字或下划线
\W	[^a-zA-Z0-9_]	匹配非字母、数字或下划线
\s	[ \t\n\r\f\v]	匹配空白字符（空格、制表符、换行符等）
\S	[^ \t\n\r\f\v]	匹配非空白字符

4. 分组与反向引用

• 分组

  ：使用

  ()
  

  将多个元素组合为一个整体，可对分组应用量词。

  • 示例：(ab)+匹配ab、abab、ababab等。

• 反向引用

  ：通过

  \n
  

  （n 为数字）引用分组内容，用于匹配重复模式。

  • 示例：(\d)\1匹配两个连续相同数字（如11、22）。

三、正则表达式高级用法

1. 贪婪匹配与非贪婪匹配

• 贪婪匹配

  ：默认模式，尽可能多地匹配内容（使用

  *
  

  、

  +
  

  、

  ?
  

  、

  {n,}
  

  ）。

  • 示例：a.*b匹配a123b456b时，会匹配整个a123b456b。

• 非贪婪匹配

  ：在量词后加

  ?
  

  ，尽可能少地匹配内容。

  • 示例：a.*?b匹配a123b456b时，仅匹配a123b。

2. 零宽断言（环视）

用于指定匹配的位置，不消耗字符：

断言类型	语法	含义
正向先行断言	(?=pattern)	匹配右侧是pattern的位置
负向先行断言	(?!pattern)	匹配右侧不是pattern的位置
正向后发断言	(?<=pattern)	匹配左侧是pattern的位置
负向后发断言	(?<!pattern)	匹配左侧不是pattern的位置

• 示例：\d+(?=元)匹配价格（如100元中的100）。

3. 分支结构

使用|表示 “或” 关系，按顺序匹配分支。

• 示例：(https?|ftp)://匹配http://、https://或ftp://。

四、正则表达式应用场景

1. 文本验证

• 邮箱验证

  ：

  ^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
  

  • 解释：匹配用户名（字母、数字、特殊符号）+@+ 域名 + 后缀。

• 手机号验证（中国大陆）

  ：

  ^1[3-9]\d{9}$
  

  • 解释：以 1 开头，第二位为 3-9，后跟 9 位数字。

2. 文本提取

• 提取 URL

  ：

  https?://[^\s/$.?#].[^\s]*
  

  • 解释：匹配 http/https 开头的网址，排除空格和特殊符号。

3. 文本替换

• 将驼峰命名转为下划线命名

  ([A-Z])
  

  替换为

  _$1
  

  ，并转为小写。

  • 示例：驼峰命名HumpName → 驼峰命名_hump_name。

五、正则表达式工具与注意事项

1. 常用工具

• 在线测试：RegExr、Regex101
• 编程库
  • Python：re模块
  • JavaScript：RegExp对象
  • Java：java.util.regex包

2. 注意事项

• 转义字符：在编程语言中使用正则时，需注意双重转义（如 Python 中\\d表示\d）。
• 性能优化：避免过度复杂的正则（如嵌套过多分组），可能导致匹配效率低下。
• 跨平台差异：不同语言 / 工具对正则的支持可能有细微差异（如换行符处理）。

六、正则表达式示例解析

示例 1：匹配 HTML 标签

• 正则：<(\w+)>.*?</\1>
• 解析：
  • <(\w+)>：匹配开始标签（如<div>），分组 1 捕获标签名。
  • .*?：非贪婪匹配标签内容。
  • </\1>：匹配结束标签，\1引用分组 1 的标签名（如</div>）。
• 限制：无法处理嵌套标签（如<div><span>text</span></div>），需使用更复杂的正则或 HTML 解析库。

示例 2：匹配日期（YYYY-MM-DD）

• 正则：^\d{4}-(0[1-9]|1[0-2])-(0[1-9]|[12]\d|3[01])$
• 解析：
  • \d{4}：匹配 4 位年份。
  • -(0[1-9]|1[0-2])：匹配月份（1-12）。
  • -(0[1-9]|[12]\d|3[01])：匹配日期（1-31）。

七、正则表达式学习资源

• 书籍：《精通正则表达式》（Jeffrey E. F. Friedl）
• 教程：W3Schools 正则表达式教程
• 练习平台：Regex Crossword（通过游戏练习正则）

通过组合上述语法和技巧，可构建复杂的文本处理规则。实际应用中建议先拆分需求，逐步构建正则表达式，并通过工具测试验证效果。