正则表达式用法

正则表达式（Regular Expression，简称 Regex）是一种强大的文本处理工具，用于匹配、查找、替换和提取字符串中的特定模式。它广泛应用于编程、数据清洗、日志分析以及 Markdown 解析等场景。

---

基础语法元素

正则表达式由普通字符和元字符组成。以下是核心语法的分类说明：

预定义字符类

字符	含义	等价形式
.	匹配除换行符以外的任意字符	-
\d	匹配数字字符	[0-9]
\D	匹配非数字字符	[^0-9]
\w	匹配单词字符（字母、数字、下划线）	[a-zA-Z0-9_]
\W	匹配非单词字符	[^a-zA-Z0-9_]
\s	匹配空白字符（空格、Tab、换行等）	[\t\n\x0B\f\r]
\S	匹配非空白字符	[^\t\n\x0B\f\r]

边界匹配

字符	含义
^	匹配字符串的开头
$	匹配字符串的结尾
\b	匹配单词边界
\B	匹配非单词边界

量词（重复匹配）

字符	含义
*	匹配前一个元素 0 次或多次
+	匹配前一个元素 1 次或多次
?	匹配前一个元素 0 次或 1 次
{n}	匹配前一个元素恰好 n 次
{n,}	匹配前一个元素至少 n 次
{n,m}	匹配前一个元素 n 到 m 次

注意：默认情况下，量词是贪婪模式（尽可能多匹配）。在量词后加 ?（如 *?, +?）可变为非贪婪模式（尽可能少匹配），这在解析嵌套结构（如 HTML/Markdown 标签）时非常重要。

---

分组与捕获

分组允许将多个字符视为一个整体进行重复匹配，并可以"捕获"匹配到的内容供后续使用。

捕获组 (exp)

使用圆括号 () 包裹的子表达式称为捕获组。正则引擎会记录匹配到的内容，并分配编号。

• 编号规则：从左到右，根据左括号出现的顺序编号，从 1 开始。整个表达式默认为第 0 组。
• 反向引用：在正则表达式内部，可以使用 \1, \2 引用前面捕获组匹配到的具体文本。

示例：匹配成对的引号

(['"]).*?\1

• (['"])：捕获单引号或双引号，存入第 1 组。
• .*?：非贪婪匹配中间的内容。
• \1：引用第 1 组捕获的内容，确保结尾引号与开头一致。

命名分组 (?P<name>exp)

在 Python 等语言中，可以为分组命名，提高可读性。

• 定义：(?P<name>pattern)
• 引用：(?P=name) 或在替换时使用 $name / ${name}

示例：匹配 HTML 标签

<(?P<tag>\w+)>(.*?)</(?P=tag)>

非捕获组 (?:exp)

如果只需要分组功能（如应用量词），但不需要保存匹配结果，使用非捕获组可以节省内存。

• 语法：(?:pattern)
• 特点：不占用分组编号，无法通过 \1 或 group() 获取内容。

---

应用：解析 Markdown 语法

正则表达式常用于轻量级的 Markdown 到 HTML 转换。以下是常见元素的解析思路：

标题 (Headers)

Markdown 标题以 `` 开头，后跟空格和文本。

• 正则：^{1,6}\s+(.+)$ (需开启多行模式)
• 替换为：<h$1>$2</h$1>
  • $1：捕获 `` 的数量（1-6），决定标题级别。
  • $2：捕获标题文本。

强调 (Emphasis)

• 粗体 (text 或 __text__)

  • 正则：(\*\*|__)([^\*\n]+?)\1
  • 替换为：<strong>$2</strong>
  • 说明：\1 确保结束标记与开始标记一致（都是 ** 或都是 __）；+? 使用非贪婪匹配防止跨行误捕。

• 斜体 (*text* 或 _text_)

  • 正则：(\*|_)([^\*\n]+?)\1
  • 替换为：<em>$2</em>

行内代码 (Inline Code)

• 正则：([^`\n]+)
• 替换为：<code>$1</code>

链接与图片 (Links & Images)

链接和图片语法相似，图片多一个前置 !。

• 图片：!\[([^\]]*)\]\(([^)\s]+)(?:\s+"([^"]*)")?\)

  • $1：Alt 文本
  • $2：图片源地址 (src)
  • $3：可选标题 (title)
  • 替换为：<img src="$2" alt="$1" title="$3" />

• 链接：\[([^\]]*)\]\(([^)\s]+)\)

  • 替换为：<a href="$2">$1</a>

---

注意事项

1. 转义特殊字符：在匹配 . * + ? ( ) [ ] { } ^ $ \ | 等元字符时，必须使用 \ 进行转义。
2. HTML 转义：在将 Markdown 转换为 HTML 时，务必先对原始文本中的 < > & 等字符进行 HTML 实体转义，防止 XSS 注入或标签闭合错误。
3. 非贪婪匹配：在处理包含多个相同标记的行内元素（如粗体、链接）时，务必使用非贪婪量词（*?, +?），否则正则可能会从第一个开始标记一直匹配到最后一个结束标记，导致中间内容被错误吞并。
4. 性能考量：复杂的嵌套正则可能导致回溯灾难（ReDoS）。对于复杂的 Markdown 解析（如嵌套列表、表格、块引用），建议使用专门的解析器（如 Marked, Remarkable）而非纯正则。
5. 测试工具：编写正则时，推荐使用在线测试工具（如 Regex101, RegExr）实时验证匹配结果和分组捕获情况。

---

常用语言中的调用示例 (Python)

import re

text = "Hello World\nThis is bold and this is *italic*."

# 替换粗体
bold_pattern = r'(\*\*|__)([^\*\n]+?)\1'
text = re.sub(bold_pattern, r'<strong>\2</strong>', text)

# 替换斜体
italic_pattern = r'(\*|_)([^\*\n]+?)\1'
text = re.sub(italic_pattern, r'<em>\2</em>', text)

# 替换标题
header_pattern = r'^{1,6}\s+(.+)$'
def replace_header(match):
    level = len(match.group(0).split()) # 计算 的数量
    content = match.group(1)
    return f'<h{level}>{content}</h{vel}>'

text = re.sub(header_pattern, replace_header, text, flags=re.MULTILINE)

print(text)