什么是正则表达式?
正则表达式(regex 或 regexp)是用于定义搜索模式的强大字符序列。几乎所有编程语言和许多文本编辑器都用它来查找、匹配和操作文本。
可以把正则表达式想象成一个超强版的“查找和替换”。你不必搜索确切的文字,而是可以搜索模式——比如“任意邮箱地址”“所有电话号码”或“以 pre 开头的单词”。
- 校验用户输入(邮箱、电话号码、密码)
- 高效地搜索和替换文本
- 从日志和文档中提取数据
- 解析和处理结构化文本
- 开发者和数据分析师的必备技能
虽然正则表达式初看很吓人(比如 ^[\w.-]+@[\w.-]+\.\w{2,}$ 这样的模式),但一旦理解了它的基本构件,就会变得非常有逻辑、非常好用。
正则表达式基础语法
先从正则表达式最基本的构件开始:
字面量字符
最简单的正则模式就是字面量字符。模式 cat 会匹配出现的确切文本“cat”。
示例:字面量匹配
特殊字符(元字符)
这些字符在正则表达式中有特殊含义:
| 字符 | 含义 | 示例 |
|---|---|---|
. |
匹配任意单个字符(换行符除外) | c.t 可匹配 “cat”“cut”“c9t” |
^ |
字符串/行的开头 | ^Hello 匹配开头的 “Hello” |
$ |
字符串/行的结尾 | world$ 匹配结尾的 “world” |
* |
前一个字符出现零次或多次 | ab*c 可匹配 “ac”“abc”“abbc” |
+ |
前一个字符出现一次或多次 | ab+c 可匹配 “abc”“abbc”,但不匹配 “ac” |
? |
前一个字符出现零次或一次 | colou?r 可匹配 “color” 和 “colour” |
\ |
转义特殊字符 | \. 匹配字面量的点 |
字符类
字符类让你可以从一组字符中匹配任意一个字符:
| 模式 | 含义 | 示例 |
|---|---|---|
[abc] |
匹配 a、b 或 c | [aeiou] 匹配任意元音字母 |
[^abc] |
匹配除 a、b、c 之外的任意字符 | [^0-9] 匹配非数字 |
[a-z] |
匹配任意小写字母 | [A-Za-z] 匹配任意字母 |
[0-9] |
匹配任意数字 | [0-9]{3} 匹配三个数字 |
简写字符类
常用的字符类有便捷的简写形式:
| 简写 | 等价写法 | 含义 |
|---|---|---|
\d |
[0-9] |
任意数字 |
\D |
[^0-9] |
任意非数字 |
\w |
[A-Za-z0-9_] |
任意单词字符 |
\W |
[^A-Za-z0-9_] |
任意非单词字符 |
\s |
[ \t\n\r\f] |
任意空白字符 |
\S |
[^ \t\n\r\f] |
任意非空白字符 |
量词
量词指定某个字符或分组应被匹配多少次:
| 量词 | 含义 | 示例 |
|---|---|---|
{n} |
恰好 n 次 | \d{4} 恰好匹配 4 个数字 |
{n,} |
n 次或更多次 | \d{2,} 匹配 2 个或更多数字 |
{n,m} |
n 到 m 次之间 | \d{2,4} 匹配 2 到 4 个数字 |
* |
等同于 {0,} | a* 可匹配 ""、"a"、"aa"、"aaa"…… |
+ |
等同于 {1,} | a+ 可匹配 “a”“aa”“aaa”…… |
? |
等同于 {0,1} | a? 可匹配 "" 或 "a" |
分组与多选
捕获组
圆括号 () 用于创建捕获组,它让你可以:
- 对多个字符应用量词
- 捕获匹配到的文本以便后续使用
- 创建反向引用
示例:分组
如果没有圆括号,ha+ 匹配的会是 “ha”“haa”“haaa”
多选(OR)
竖线 | 相当于 OR 运算符:
示例:多选
非捕获组
需要分组但不需要捕获时,使用 (?:...):
锚点与边界
锚点匹配的不是字符,而是位置:
| 锚点 | 匹配内容 | 示例 |
|---|---|---|
^ |
字符串开头 | ^Hello - 字符串必须以 “Hello” 开头 |
$ |
字符串结尾 | bye$ - 字符串必须以 “bye” 结尾 |
\b |
单词边界 | \bcat\b 匹配 “cat”,但不匹配 “category” |
\B |
非单词边界 | \Bcat 在 “category” 中匹配到 “cat” |
实用正则示例
下面是一些常用正则模式及其解释:
1. 邮箱校验
基础邮箱模式
拆解:
^ - 字符串开头
[\w.-]+ - 一个或多个单词字符、点或连字符
@ - 字面量 @ 符号
[\w.-]+ - 域名
\. - 字面量点
\w{2,} - 至少 2 个字符的顶级域名
$ - 字符串结尾
2. 电话号码(美国格式)
美国电话号码
3. URL 模式
简单 URL 模式
4. 密码校验
强密码(8 位以上,含大写、小写和数字)
使用前瞻断言 (?=...) 在不消耗字符的情况下检查条件。
5. 日期格式(YYYY-MM-DD)
ISO 日期格式
6. IP 地址(IPv4)
IPv4 地址
正则表达式标志
标志用于改变正则引擎解释模式的方式:
| 标志 | 名称 | 作用 |
|---|---|---|
i |
忽略大小写 | /cat/i 可匹配 “cat”“Cat”“CAT” |
g |
全局 | 查找所有匹配项,而不只是第一个 |
m |
多行 | ^ 和 $ 匹配每一行的开头/结尾 |
s |
点号全匹配 | . 也能匹配换行符 |
编写更好正则的技巧
- 从简单开始 - 逐步构建模式
- 充分测试 - 用正则测试工具和多种输入进行验证
- 尽量具体 - 避免像
.*这样过于宽泛的模式 - 使用锚点 -
^和$可以防止部分匹配 - 给复杂模式加注释 - 使用详细模式或外部文档说明
- 考虑边界情况 - 空字符串、特殊字符、超长输入
- 忘记转义特殊字符(
.、*、?) - 贪婪与懒惰量词混淆(
.*与.*?) - 需要时没有使用锚点
- 模式过于复杂,难以维护
总结
一旦掌握了基础,正则表达式就是极其强大的工具。从简单的模式开始,随着对语法的熟悉逐步增加复杂度。
要点总结:
- 正则模式由字面量字符和元字符构成
- 字符类(
[...])匹配一组字符 - 量词(
*、+、{n})控制重复次数 - 分组(
(...))和多选(|)提供结构 - 锚点(
^、$、\b)匹配位置 - 始终用我们的正则测试工具测试你的模式
多加练习后,你会发现正则表达式变得得心应手,能省下大量手工处理文本的时间!