Python：正则表达式

正则表达式的基础和应用

一、正则表达式核心语法（四大基石）

1. ​元字符（特殊符号）​

• ​定位符
  ^：匹配字符串开始位置
  $：匹配字符串结束位置
  \b：匹配单词边界​（如 \bword\b 匹配独立单词）
• ​字符类
  .：任意单个字符（默认不包括换行符）
  \d：数字（等价 [0-9]）
  \w：字母、数字、下划线（等价 [a-zA-Z0-9_]）
  \s：空白符（空格、Tab、换行等）
• ​转义符
  \：将特殊字符转为普通字符（如 \. 匹配真正的点号）

2. ​量词（重复次数）​

• *：0次或多次
• +：1次或多次
• ?：0次或1次
• {n}：精确n次
• {n,}：至少n次
• {n,m}：n到m次

3. ​字符集合与逻辑

• [abc]：匹配a、b、c中的任意一个
• [a-z]：匹配小写字母a到z
• [^abc]：否定集合（匹配不在abc中的字符）
• |：逻辑或（如 cat|dog 匹配"cat"或"dog"）

4. ​分组与引用

• ( )：捕获分组（可通过 \1 或 $1 反向引用）
• (?: )：非捕获分组（仅用于逻辑分组）
• (?P<name>)：命名分组（Python中可通过名称引用）

二、正则引擎工作原理（NFA vs DFA）

1. ​NFA引擎（主流实现）​

• ​特点：支持回溯、捕获组、零宽断言等高级功能，但存在性能风险
• ​匹配流程：
  1. 从起始位置尝试匹配
  2. 记录所有可能的分支（回溯点）
  3. 失败时退回最近回溯点继续尝试
  4. 直到匹配成功或完全失败

2. ​DFA引擎

• ​特点：无回溯，线性时间复杂度，但功能受限（不支持分组引用）
• ​流程：一次性扫描文本，无状态回退

三、关键应用场景与解决方案

1. ​数据验证（精准匹配）​

• ​邮箱验证

  ^[\w\.-]+@([\w-]+\.)+[\w-]{2,4}$  

  • ^ 和 $ 确保整行匹配
  • [\w\.-]+ 允许用户名包含字母、数字、点、减号
  • ([\w-]+\.)+ 匹配多级域名（如 "mail." 或 "google.com."）
  • [\w-]{2,4} 匹配顶级域名（如 com、org）

• ​强密码规则

  ^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,}$  

  • (?=.*\d)：正向预查确保包含数字
  • (?=.*[a-z])：必须有小写字母
  • (?=.*[A-Z])：必须有大写字母
  • .{8,}：总长度至少8位

2. ​数据提取（捕获关键信息）​

• ​从URL提取域名和路径

  ^https?://([^/?#]+)([^?#]*)  

  • 分组1 ([^/?#]+) 捕获域名（如 www.example.com）
  • 分组2 ([^?#]*) 捕获路径（如 /path/to/page）

• ​日志时间戳提取

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

  • 精确匹配 YYYY-MM-DD HH:MM:SS 格式

3. ​文本清洗与替换

• ​删除HTML标签

  <[^>]+>  

  • 匹配所有以 < 开头、> 结尾的内容
  • 使用 re.sub(r'<[^>]+>', '', html) 替换为空

• ​格式化电话号码
  输入：1234567890 → 输出：(123) 456-7890

  re.sub(r'(\d{3})(\d{3})(\d{4})', r'(\1) \2-\3', phone)

四、性能优化与避坑指南

1. ​避免灾难性回溯

• ​危险模式：(a+)+ 或 .*.*（嵌套量词导致指数级复杂度）
• ​优化方法：
  • 用具体字符代替 .*（如 \d+ 代替 .*）
  • 使用原子分组 (?>...)（部分引擎支持）
  • 添加锚点限制范围（如 ^...$）

2. ​贪婪与非贪婪选择

• ​贪婪模式​（默认）：.* 匹配尽可能多内容

  <div>.*</div> → 可能跨多个标签错误匹配

• ​非贪婪模式：.*? 匹配最短结果

  <div>.*?</div> → 精确匹配单个标签内容

3. ​预编译与复用

# 预编译提升性能（适用于频繁调用场景）
pattern = re.compile(r'\d{3}-\d{4}')
pattern.findall('Tel: 123-4567')

五、进阶技巧

1. ​零宽断言（Lookaround）​

• (?=...)：正向先行断言（右侧必须满足条件）

  \d+(?=px) → 匹配 "100px" 中的 "100"

• (?<=...)：正向后行断言（左侧必须满足条件）

  (?<=\$)\d+ → 匹配 "$200" 中的 "200"

2. ​条件匹配

(?(id)yes|no) → 根据分组是否存在选择分支

• 示例：匹配带区号的电话号码

  ($)? \d{3} (?(1)$|) → 匹配 "(123)" 或 "123"

六、好用的工具

1. ​调试工具
   • RegExr：实时高亮匹配结果，显示分组与回溯
   • Regex101：支持多语言引擎，提供错误解释
2. ​可视化工具
   Regexper：图形化展示正则逻辑

七、总结

正则表达式的核心在于 ​模式定义 与 ​引擎匹配机制 的结合。掌握以下要点即可应对90%的场景：

1. ​精准定位：用 ^、$、\b 约束边界
2. ​明确范围：用字符集合 [...] 和量词 {n,m} 减少模糊匹配
3. ​合理分组：通过 ( ) 提取关键数据
4. ​性能优先：避免嵌套量词，优先使用具体字符

以下是Python中正则表达式的用法

---

一、环境准备

1. 导入re模块

import re  # Python内置正则库

2. 原始字符串（Raw String）

正则表达式推荐使用原始字符串（前缀 r），避免Python字符串转义冲突：

pattern = r'\d+'  # 正确：匹配数字
pattern = '\\d+'   # 错误：需双重转义，可读性差

---

二、四大核心方法

1. re.match() - ​从开头匹配

• 只匹配字符串开头，成功返回Match对象，否则返回None

text = "123abc"
result = re.match(r'\d+', text)
if result:
    print("匹配成功:", result.group())  # 输出: 123

2. re.search() - ​全局搜索

• 扫描整个字符串，找到第一个匹配项

text = "abc456def"
result = re.search(r'\d+', text)
print(result.group())  # 输出: 456

3. re.findall() - ​查找所有匹配

• 返回所有匹配结果的列表​（无分组时返回字符串列表）

text = "1a2b3c"
numbers = re.findall(r'\d', text)
print(numbers)  # 输出: ['1', '2', '3']

4. re.sub() - ​替换匹配内容

• 将匹配内容替换为指定字符串

text = "2023-01-01"
new_text = re.sub(r'-', '/', text)
print(new_text)  # 输出: 2023/01/01

---

三、分组与捕获

1. 基本分组 ( )

• 用括号分组，通过group(index)提取

text = "John:30"
pattern = r'(\w+):(\d+)'
match = re.search(pattern, text)
print(match.group(1))  # John
print(match.group(2))  # 30

2. 非捕获分组 (?: )

• 分组但不捕获，节省内存

text = "apple orange"
pattern = r'(?:a|an|the) (\w+)'  # 匹配冠词后的单词但不捕获冠词
match = re.search(pattern, text)
print(match.group(1))  # apple

3. 命名分组 (?P<name>)

• 为分组命名，提升可读性

text = "Date: 2023-08-15"
pattern = r'Date: (?P<year>\d{4})-(?P<month>\d{2})-(?P<day>\d{2})'
match = re.search(pattern, text)
print(match.group('year'))   # 2023
print(match.groupdict())     # {'year': '2023', 'month': '08', 'day': '15'}

---

四、高级功能

1. 正则标志（Flags）

• 控制匹配模式的全局行为

text = "Hello\nWorld"
# 多行模式（^和$匹配每行开头结尾）
re.findall(r'^\w+', text, flags=re.MULTILINE)  # 输出: ['Hello', 'World']
# 忽略大小写
re.findall(r'hello', text, flags=re.IGNORECASE)  # 输出: ['Hello']

2. 预编译正则表达式

• 提升重复使用时的性能

pattern = re.compile(r'\d{3}-\d{4}')  # 编译为RegexObject
result = pattern.findall("Tel: 123-4567")  # ['123-4567']

3. 替换时使用函数

• 动态生成替换内容

def to_upper(match):
    return match.group().upper()

text = "hello world"
new_text = re.sub(r'\b\w', to_upper, text)
print(new_text)  # 输出: Hello World

---

五、经典实战案例

1. 验证邮箱格式

def validate_email(email):
    pattern = r'^[\w\.-]+@[\w\.-]+\.\w+$'
    return re.match(pattern, email) is not None

print(validate_email("user@example.com"))  # True
print(validate_email("invalid.email@"))     # False

2. 提取HTML链接

html = '<a href="https://example.com">Link</a>'
pattern = r'href="(https?://[^"]+)"'
match = re.search(pattern, html)
print(match.group(1))  # https://example.com

3. 转换日期格式

date = "2023-08-15"
new_date = re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\2/\3/\1', date)
print(new_date)  # 08/15/2023

---

六、避坑指南

1. ​贪婪匹配陷阱
   使用 .*? 非贪婪模式避免过度匹配：

   text = "<div>Hello</div><div>World</div>"
   re.findall(r'<div>(.*?)</div>', text)  # ['Hello', 'World']

2. ​特殊字符转义
   匹配 .、* 等符号需转义：

   re.findall(r'3\.14', "pi=3.14")  # ['3.14']

3. ​性能优化
   避免在循环中重复编译正则，优先使用预编译。

---

七、调试工具

1. ​在线测试
   RegExr：实时高亮匹配结果，显示分组信息

2. ​代码调试
   使用 re.DEBUG 标志查看正则解析过程：

   re.compile(r'\d+', re.DEBUG)