本文共 2925 字，大约阅读时间需要 9 分钟。
正则表达式（Regular Expression, 简称regex）是一种强大的工具，能够帮助我们对字符串进行模式匹配操作。它广泛应用于文本处理、数据批量处理、网络爬虫等领域，极大提升了数据处理效率。本文将从基础概念出发，逐步解析正则表达式的核心知识。
正则表达式的核心在于定义匹配的字符。常见的字符匹配方式包括：
# 匹配单个字符. 匹配任意单个字符（注意：\n除外）[] 匹配特定字符集合\d 匹配数字（0-9）\D 匹配非数字\s 匹配空白字符（包括空格和制表符）\S 匹配非空白字符\w 匹配单词字符（字母、数字和下划线）\W 匹配非单词字符支持中文：在某些正则库支持中文字符，默认情况下\w包含中文汉字以下是通过正则表达式匹配的示例：
rec = re.match(r'速度与激情[1-23-4a-bg-y]', '速度与激情h') 以上代码的意思是：匹配"速度与激情"后跟任意一个由[1-23-4a-bg-y]中字符组成的单字符组合。例如，如果输入为"速度与激情哈"，则h不在匹配集合中，因此无法匹配；而"速度与激情12"则能成功匹配，因为\d匹配数字。
正则表达式也支持匹配多个字符，这通过使用 * 、 + 、 ? 、 {m} 、 {m,n} 等量词来实现。具体含义如下：
1. * ：前一个字符出现0次或更多次（可有可无）
2. +：前一个字符出现至少一次或更多次
3. ?：前一个字符出现0次或一次
4. {m}：前一个字符恰好出现m次
5. {m,n}：前一个字符的出现次数范围在m到n之间（包含两者）
例如，用正则表达式'速度与激情\d{1,2}'匹配"速度与激情12"和"速度与激情1"都能成功，因为\d{1,2}表示匹配1位或2位的数字。而"速度与激情123"则不匹配，因为3位数字超出了{1,2}的范围。
下列代码展示了如何匹配带有格式化符号的电话号码：
rec = re.match('021-?\d{8}', '021-123156465') 这里的021-?表示以"021-"开头，后面跟一个可选的"-"，再匹配8位数字。因此，输入"021-123156465"能成功匹配，因为在-后映射了8位数字。但"023456789"则不匹配，因为没有-符号。
此外，当要匹配包含换行或特殊字符的任意文本时，需要在正则表达式中添加re.S标志，允许.匹配所有字符，包括换行符。例如：
rec = re.match('.*', html, re.S) 这样，.将匹配包括换行在内的任意单字符，允许.*匹配整个文本文件内容。
正则表达式的分组功能允许我们将模式中的部分内容单独提取，并在其他部分引用这些内容。分组的方式有以下几种：
(ab)表示将ab作为一组匹配内容。\1、\2等表示引用前面分组的内容。(?P$name)为分组取一个别名，后续可以通过\name引用。例如，在处理HTML标签时，常常需要提取标签内的内容并进行替换。以下代码实现了将HTMLışık中的内 Bren进行提取和替换：
rec = re.match(r'<(\w*)>.* ', h) 这里的(\w*)表示匹配<后面的任意单词字符>，并将其作为第一组分组记录。然后.*匹配任意文本，最后<!--\1-->部分将使用第一组的内容进行替换。这意味着，在h中如果存在<cat>，则会匹配整个<cat>并提取cat到第一组，然后替换为 cat，从而得到cat被加粗显示的结果。
除了匹配文本，正则表达式还可以与字符串进行替换、分割、搜索等操作。以下是常用的函数：
match()：仅匹配字符串开头部分，返回匹配结果或None。search()：在整个字符串中搜索匹配，并返回第一个匹配的结果。findall()：找到所有与模式匹配的子串，返回为一个列表。sub()：将匹配的子串替换为指定字符串。split()：根据正则表达式切割字符串，返回子串列表。例如，提交一个包含字母、数字和下划线的邮箱地址，使用正则表达式验证格式是否正确。以下代码展示了一个简短的验证逻辑：
def main(): email = input("请输入邮箱地址:") rec = re.match(r'[a-zA-Z0-9_]{4,18}@(163|126|qq)\.com$', email) if rec: print("成功:%s" % email) else: print("失败:%s" % email)if __name__ == '__main__': main() 在正则表达式中，贪婪模式和非贪婪模式的概念至关重要。这两个模式决定了匹配引擎在遇到多种可能匹配时如何选择路径。
a+会匹配从字符串开头开始尽可能多地匹配a。?修饰）：在遇到多个可能匹配选项时，优先匹配最少的字符。例如，a?会匹配a的最短量。理解贪婪与非贪婪模式的意义，对于编写高效且准确的正则表达式至关重要。例如，在处理文件格式识别时，通常需要使用非贪婪模式来确保正确识别文件的结尾部分，而不是被前面的内容覆盖。
以下是一个电子邮件验证的实际应用案例。以用户输入的邮箱地址为例，正则表达式验证其是否符合常见邮箱格式（如QQ邮箱、126邮箱等）。以下是具体的实现逻辑：
rec = re.match(r'[a-zA-Z0-9_]{4,18}@(163|126|qq)\.com$', i) 这个正则表达式的含义是：
-[a-zA-Z0-9_]{4,18}：表示用户名部分，4到18位，包含字母、数字和下划线。- @：匹配@符号。- (163|126|qq)：表示域名部分，可选择163、126或qq。- \.com$：匹配 .com域名结尾。 然后，根据匹配结果判断邮箱是否有效。如果rec为None，则输入的邮箱地址不符合格式，返回“失败”；否则，返回“成功”。
在编写正则表达式时，很多人容易出现以下错误：
- 忽略了特殊字符的转义要求（如*在正则中表示任意字符，需在 \前加上转义字符）。- 没有正确使用分组和引用功能，导致模式无法正确应用。- 没有正确理解贪婪与非贪婪模式的含义，导致匹配结果错误。 为了避免这些问题，在编写正则表达式时，应:
- 严格按照转义规则来处理特殊字符。- 使用调试工具对模式和测试字符串进行验证。- 熟悉分组和背 Vand tighten引用功能的使用。- 注重理解正则表达式的工作原理，避免盲目复制模式。正则表达式是一种强大而灵活的工具，能够帮助我们在文本处理中高效处理复杂模式的匹配和替换任务。掌握正则表达式的基础知识，是每个开发人员不可或缺的能力。通过不断练习和实践，您将能够编写出更复杂和精准的正则表达式，从而显著提升工作效率。
转载地址：http://aypaz.baihongyu.com/