正则表达式（Regular Expression）终极指南
一、正则表达式基础概念
1. 什么是正则表达式？
正则表达式（Regex）是一种用于匹配、查找、替换文本模式的字符串，由普通字符和特殊字符（元字符）组成。它被广泛应用于：
- 文本处理（搜索、替换、验证）
- 数据清洗（提取结构化信息）
- 编程语言（Python、JavaScript、Java等）
- 开发工具（IDE、文本编辑器、命令行工具）
2. 正则表达式组成
- 字面字符：普通字符（如
a、1、#）直接匹配自身。
- 元字符：具有特殊含义的符号（如
.、*、^）。
- 字符类：定义可匹配的字符集合（如
[a-z]）。
- 量词：指定匹配次数（如
+、{3,5}）。
- 分组与捕获：将模式分组并捕获子匹配（如
(ab)+）。
- 断言：指定匹配位置（如
^、$、\b）。
二、元字符与转义
1. 基本元字符
| 元字符 |
含义 |
示例 |
. |
匹配任意单个字符（除换行符） |
a.c → “abc”, “a1c” |
^ |
匹配字符串开始 |
^Hello → 匹配行首的Hello |
$ |
匹配字符串结束 |
end$ → 匹配行末的end |
\ |
转义字符或特殊序列 |
\. 匹配字面点号 |
| |
逻辑或 |
cat|dog → 匹配cat或dog |
[...] |
字符类，匹配其中任意一个字符 |
[aeiou] → 匹配元音字母 |
[^...] |
否定字符类，匹配不在其中的字符 |
[^0-9] → 匹配非数字字符 |
2. 转义规则
- 转义元字符：使用
\ 将元字符转为普通字符。
示例：\* 匹配星号，\\ 匹配反斜杠。
- 预定义转义序列：
\n：换行符\t：制表符\r：回车符\d：数字（等价于 [0-9]）\D：非数字（等价于 [^0-9]）\s：空白字符（空格、制表符等）\S：非空白字符\w：单词字符（字母、数字、下划线）\W：非单词字符
三、字符类与量词
1. 字符类
- 范围表示：
[a-z] 匹配小写字母，[A-Za-z0-9] 匹配字母数字。
- 预定义字符类：
[:alnum:]：字母和数字（需在字符类内使用，如 [[:alnum:]]）[:alpha:]：字母[:digit:]：数字[:lower:]：小写字母[:upper:]：大写字母
2. 量词
| 量词 |
含义 |
示例 |
* |
0次或多次 |
a* → “”, “a”, “aa” |
+ |
1次或多次 |
a+ → “a”, “aa” |
? |
0次或1次 |
a? → “”, “a” |
{n} |
精确匹配n次 |
a{3} → “aaa” |
{n,} |
至少n次 |
a{2,} → “aa”, “aaa” |
{n,m} |
匹配n到m次 |
a{2,4} → “aa”, “aaa” |
贪婪与非贪婪模式
- 贪婪模式（默认）：尽可能匹配最长字符串。
示例：
a.*b 匹配 “aabcb” 中的整个字符串。
- 非贪婪模式（加
?）：尽可能匹配最短字符串。
示例：a.*?b 匹配 “aabcb” 中的 “aab” 和 “ab”。
四、分组与捕获
1. 分组
- 普通分组
( )：将模式分组，可应用量词。
示例：(ab)+ → “ababab”。
- 非捕获分组
(?: )：分组但不捕获。
示例：(?:ab)+ 匹配但不保存分组内容。
2. 捕获与引用
- 捕获组编号：从左到右按左括号顺序编号（从1开始）。
示例：
(\d{4})-(\d{2}) 捕获年（组1）和月（组2）。
- 反向引用：使用
\n 引用分组内容（n为组号）。
示例：(\w+) \1 匹配重复单词（如 “the the”）。
3. 命名分组
- 语法：
(?P<name>pattern)（Python）或 (?<name>pattern)（其他语言）。
示例：(?P<year>\d{4}) 捕获名为 “year” 的组。
- 引用命名分组：
- Python：
\g<year>
- JavaScript：
\k<year>
五、断言（Lookaround）
1. 基本断言
| 断言 |
语法 |
含义 |
| 正向先行断言 |
(?=pattern) |
右侧必须匹配pattern |
| 负向先行断言 |
(?!pattern) |
右侧不能匹配pattern |
| 正向后行断言 |
(?<=pattern) |
左侧必须匹配pattern |
| 负向后行断言 |
(?<!pattern) |
左侧不能匹配pattern |
2. 示例
- 提取金额数字：
(?<=\$)\d+ → 匹配 “$100” 中的 “100”。
- 密码强度验证：
至少包含大写字母、小写字母和数字：
^(?=.*[A-Z])(?=.*[a-z])(?=.*\d).{8,}$
六、常见正则表达式模式
1. 基础验证
- 邮箱：
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
- URL：
^(https?://)?([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
- IPv4地址：
^((25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(25[0-5]|2[0-4]\d|[01]?\d\d?)$
2. 数据提取
- HTML标签内容：
<h1>(.*?)</h1> → 匹配 <h1>标题</h1> 中的 “标题”。
- 日志时间戳：
\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2} → 匹配 “2023-10-01 12:34:56”。
3. 替换与格式化
- 日期格式转换（YYYY/MM/DD → DD-MM-YYYY）：
搜索：
(\d{4})/(\d{2})/(\d{2})
替换：\3-\2-\1
- 删除多余空格：
搜索：
\s+
替换： （单个空格）
七、正则表达式性能优化
1. 避免回溯爆炸
- 具体化模式：尽量使用精确匹配，避免模糊量词（如
.*）。
- 使用原子组（Atomic Groups）：某些引擎支持（如
(?>pattern)），禁止回溯。
2. 优化技巧
- 锚定开始/结束：使用
^ 和 $ 减少搜索范围。
- 优先选择非贪婪量词：在复杂模式中减少回溯。
- 避免嵌套量词：如
(a+)+ 可能导致指数级回溯。
八、各语言中的正则表达式
1. Python
- 模块：
re
- 函数：
re.match()：从字符串开始匹配re.search()：搜索整个字符串re.findall()：返回所有匹配结果re.sub()：替换匹配内容
- 标志：
re.IGNORECASE（re.I）：忽略大小写re.MULTILINE（re.M）：多行模式
2. JavaScript
- 语法：
/pattern/flags
- 方法：
String.match()String.replace()RegExp.test()
- 标志：
3. Java
- 类：
java.util.regex.Pattern 和 Matcher
- 方法：
Pattern.compile()Matcher.find()Matcher.group()
九、工具与资源
1. 在线测试工具
2. 学习资源
十、正则表达式陷阱与最佳实践
1. 常见陷阱
- 过度匹配：如
.* 可能意外匹配超长文本。
- 未转义字符：如
+、? 在字符类外需转义。
- 性能问题：复杂模式可能导致超时。
2. 最佳实践
- 注释与格式化：复杂正则使用
x 标志（忽略空格和注释）。
示例（Python）：
1
2
3
4
5
|
pattern = re.compile(r'''
^\d{3} # 匹配前3位数字
-? # 可选短横线
\d{2} # 后2位数字
''', re.VERBOSE)
|
- 单元测试：为关键正则编写测试用例。
- 优先使用内置解析器：如解析HTML/XML时，正则可能不够健壮。
十一、高级技巧
1. 递归匹配
- 平衡括号匹配：
\((?:[^()]|(?R))*+\)（支持递归的正则引擎如PCRE）。
2. 条件匹配
- 语法：
(?(condition)yes-pattern|no-pattern)
示例：匹配带区号的电话号码（可选区号）：
1
|
^(\(\d{3}\) )?\d{3}-\d{4}$
|
3. 模式修饰符
- 内联修饰符：如
(?i) 忽略大小写，(?m) 多行模式。
示例：(?i)hello 匹配 “Hello”、“HELLO”。
十二、总结图表
正则表达式速查表
| 类别 |
语法 |
示例 |
| 字符类 |
[abc], [^abc] |
[aeiou], [^0-9] |
| 量词 |
*, +, ?, {n,m} |
a{2,4}, .*? |
| 分组与捕获 |
( ), (?: ), (?P<>) |
(\d+), (?P<year>\d{4}) |
| 断言 |
(?= ), (?<= ) |
(?=\d), (?<=@)\w+ |
| 转义字符 |
\d, \s, \w |
\d{3}-\d{4} |