正则表达式

一、正则表达式基础语法

1. 普通字符与元字符

• 普通字符：直接匹配字面值（如 a 匹配字符 a）。
• 元字符：具有特殊含义，需转义使用（如 \d 匹配数字，\w 匹配字母、数字、下划线）。
  • 边界匹配符：
    ^（字符串开头）、$（字符串结尾）、\b（单词边界，如 java\b 匹配独立单词 java）。
  • 点号 .：匹配除换行符外的任意字符（默认），配合 s 修饰符可匹配换行符。

2. 预定义字符集

元字符	匹配内容	示例
\d	数字（等价于 [0-9]）	\d+ 匹配连续数字
\D	非数字（等价于 [^0-9]）	\D* 匹配非数字序列
\w	单词字符（字母、数字、下划线）	\w{3,} 匹配3-15位用户名
\s	空白字符（空格、制表符等）	\s+ 匹配连续空格

3. 量词

• *：匹配0次或多次（如 a* 匹配空字符串或多个 a）。
• +：匹配1次或多次（如 a+ 至少匹配一个 a）。
• ?：匹配0次或1次（如 a? 可选 a）。
• {n,m}：匹配n到m次（如 \d{3,5} 匹配3-5位数字）。

---

二、正则表达式核心功能

1. 验证字符串
   通过模式匹配检查输入合法性，如邮箱、电话号码格式。

   import re
   pattern = r"^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$"
   re.match(pattern, "[email protected]")  # 验证邮箱

2. 查找与替换

   • findall()：返回所有匹配项（如提取文本中的数字）。
   • sub()：替换匹配内容（如将逗号替换为分号）。

   text = "Date: 2023-04-15, Time: 14:30"
   date_time = re.search(r"Date: (\d{4}-\d{2}-\d{2}), Time: (\d{2}:\d{2})", text)
   print(date_time.groups())  # 输出 ('2023-04-15', '14:30')

3. 分组与捕获
   使用 () 分组，提取特定部分（如从URL中提取路径）。

   url = "https://example.com/path/to/page"
   match = re.match(r"https://(.*)/(\w+)", url)
   print(match.group(1))  # 输出 example.com/path/to
   print(match.group(2))  # 输出 page

---

三、修饰符与高级特性

1. 常用修饰符
   • i：忽略大小写（如 Aa 均匹配）。
   • g：全局匹配（返回所有匹配项）。
   • m：多行模式（^ 和 $ 匹配每行的开头和结尾）。
   • s：点号匹配换行符。
2. 非贪婪匹配
   添加 ? 实现最小匹配（如 a.*?b 匹配 a...b 中最短的部分）。

---

四、应用场景示例

1. 数据提取
   从日志中提取时间戳：

   text = "2023-04-15T14:30:00 Error: Invalid input"
   date = re.search(r"\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}", text).group()

2. 文本格式化
   自动替换标点符号：

   text = "Hello, World! 你好，世界！"
   new_text = re.sub(r"[,!]}", " ", text)  # 输出 "Hello  World  你好  世界！"

3. 网页数据抓取
   提取HTML中的链接：

   html = "Link"
   links = re.findall(r"href='([^']*)'", html)  # 输出 ['https://example.com']

---

五、常见问题与优化

1. 转义字符
   元字符（如 .、*）需转义为 \.、\*。
2. 性能优化
   • 避免过度使用 .*，优先使用精确匹配（如 \d{4} 代替 .*）。
   • 预编译正则表达式（如 re.compile(pattern)）提升多次调用效率。

---

六、总结

正则表达式是处理文本数据的高效工具，适用于验证、查找、替换和提取等场景。掌握其核心语法（元字符、量词、分组）和修饰符（i、g）可显著提升开发效率。实际应用中需注意转义规则和性能优化，结合具体语言的库（如Python的 re 模块）实现功能。