正则表达式入门教程（保姆级教程）

正则表达式入门教程：从零开始掌握文本匹配的艺术

你有没有遇到过这样的场景？需要从一段长长的日志中提取所有错误代码，或者验证用户输入的邮箱是否合法，又或者批量替换文本中的某个模式。这些看似琐碎的任务，其实都可以通过一种强大的工具轻松解决——正则表达式。

正则表达式，简称 regex，是程序员处理文本时的“瑞士军刀”。它不是一门编程语言，而是一种模式描述语言，用来定义字符串的匹配规则。无论你是初学者还是有一定经验的开发者，只要掌握它的基本语法，就能大幅提升文本处理效率。

本文将带你从零开始，逐步构建对正则表达式的理解。我们将从最基础的字符匹配讲起，逐步深入到分组、捕获、替换等高级用法，并结合真实项目案例，让你真正“会用”而不是“背规则”。

什么是正则表达式？它能做什么？

简单来说，正则表达式就是一种用来描述字符串模式的表达式。你可以把它想象成一个“智能搜索模板”：不是单纯找某个固定的字，而是告诉系统“我想要找什么样的结构”。

举个例子：
你有一份用户注册数据，其中包含邮箱字段。你想找出所有格式正确的邮箱地址。手动一个个检查显然不现实，但用正则表达式，只需一行代码就能完成。

在 Python 中，我们可以这样写：

import re

email_pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'

test_emails = [
    "user@example.com",
    "admin@company.org",
    "invalid.email",
    "test@sub.domain.co.uk"
]

for email in test_emails:
    if re.match(email_pattern, email):
        print(f"✅ {email} 是合法邮箱")
    else:
        print(f"❌ {email} 格式不正确")

注释说明：

• r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$' 是正则表达式模式
• ^ 表示字符串开始，$ 表示字符串结束，确保整个字符串都符合规则
• [a-zA-Z0-9._%+-]+ 匹配用户名部分，允许字母、数字和常见特殊字符
• @ 是必须存在的符号
• [a-zA-Z0-9.-]+ 匹配域名部分
• \. 匹配点号（因为点在正则中有特殊含义，需转义）
• {2,} 表示至少两个字母，用于匹配顶级域名如 .com、.org
• re.match() 从头开始匹配，返回匹配对象或 None

基础字符匹配：从最简单的开始

正则表达式的核心是“匹配”。我们先从最基础的字符匹配入手。

字面量匹配

最简单的正则就是直接写你要找的字符。比如，要找字符串中的 "hello"：

import re

text = "Hello world, this is a hello test."
match = re.search(r'hello', text, re.IGNORECASE)

if match:
    print(f"找到匹配项：{match.group()}")
else:
    print("未找到匹配")

注释说明：

• r'hello' 是正则表达式，表示精确匹配字符 "hello"
• re.IGNORECASE 参数让匹配不区分大小写，因此 "Hello" 也能被匹配到
• re.search() 在整个字符串中查找第一个匹配项，返回匹配对象
• .group() 提取实际匹配到的文本

特殊字符与转义

正则表达式中有一些字符具有特殊含义，比如 .、^、$、*、+、? 等。如果你真的想匹配这些字符本身，就需要用反斜杠 \ 转义。

例如，要匹配实际的点号：

import re

text = "文件名：data.json"
pattern = r'\.'

match = re.search(pattern, text)
if match:
    print(f"找到了点号：{match.group()}")

注释说明：

• \. 表示匹配一个字面量的点号
• 若不转义，. 会匹配任意单个字符，导致错误匹配

元字符与量词：掌握匹配的“节奏”

元字符是正则表达式中的“控制键”，它们决定了匹配的行为和范围。

常见元字符速查表

实际案例：手机号验证

我们来写一个正则表达式，验证中国大陆手机号格式（11位数字，以 1 开头，第二位为 3-9）：

import re

phone_pattern = r'^1[3-9]\d{9}$'

test_phones = [
    "13812345678",  # 合法
    "12345678901",  # 非法（第二位不是3-9）
    "1381234567",   # 非法（不足11位）
    "18912345678"   # 合法
]

for phone in test_phones:
    if re.match(phone_pattern, phone):
        print(f"✅ {phone} 是有效手机号")
    else:
        print(f"❌ {phone} 格式错误")

注释说明：

• ^1[3-9] 表示以 1 开头，第二位是 3 到 9 的数字
• \d{9} 表示后面必须有 9 个数字
• $ 确保字符串结束，防止多出字符
• 整体保证是 11 位合法手机号

字符类与预定义字符集：快速匹配一组字符

当你需要匹配多个可能的字符时，使用字符类（Character Class）会更高效。

字符类语法

• [abc]：匹配 a、b 或 c 中任意一个
• [a-z]：匹配任意小写字母
• [A-Z]：匹配任意大写字母
• [0-9]：匹配任意数字
• [^abc]：匹配非 a、b、c 的字符（取反）

实例：提取数字

假设你有一段文本，需要提取所有数字：

import re

text = "订单号：20240512，金额：128.50元，发货时间：2024-05-13"

numbers = re.findall(r'\d+', text)

print(f"提取到的数字：{numbers}")

注释说明：

• \d 是预定义字符类，等价于 [0-9]
• + 表示一个或多个数字
• re.findall() 返回所有匹配项组成的列表，无需循环

分组与捕获：让正则更智能

分组是正则表达式中非常强大的功能。通过括号 ()，你可以将一部分表达式当作一个整体处理。

基本分组

import re

text = "张三，电话：13812345678，邮箱：zhangsan@example.com"

pattern = r'电话：(\d{11})，邮箱：([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,})'

match = re.search(pattern, text)

if match:
    phone = match.group(1)     # 第一个分组：电话
    email = match.group(2)     # 第二个分组：邮箱
    print(f"电话：{phone}")
    print(f"邮箱：{email}")

注释说明：

• (\d{11}) 是第一个分组，用于捕获手机号
• ([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}) 是第二个分组，用于捕获邮箱
• group(1) 和 group(2) 分别获取两个分组的内容
• 分组编号从 1 开始，group(0) 是完整匹配的文本

替换与高级技巧：从匹配到处理

正则表达式不仅用于查找，还能用于替换。re.sub() 函数可以实现文本替换。

案例：清洗日志中的时间戳

日志中时间戳格式为 [2024-05-13 12:34:56]，我们想将其替换为更简洁的格式：

import re

log_line = "[2024-05-13 12:34:56] 用户登录失败，IP：192.168.1.1"

cleaned = re.sub(r'\[\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}\]', '【时间】', log_line)

print(cleaned)

注释说明：

• \d{4} 匹配4位年份
• \d{2} 匹配两位月、日、时、分、秒
• 整个时间戳被 [] 包裹，用 \[\] 转义
• re.sub() 第一个参数是正则模式，第二个是替换内容，第三个是原字符串

总结：正则表达式入门教程的最后建议

正则表达式虽然强大，但初学者容易陷入“写得太复杂”或“误匹配”的陷阱。记住几个核心原则：

1. 从小处着手：先从简单匹配开始，逐步叠加规则。
2. 善用工具：使用在线正则测试工具（如 regex101.com）验证你的表达式。
3. 测试多场景：确保边界情况（如空值、极端长度）也能正确处理。
4. 保持可读性：复杂正则可用 re.VERBOSE 模式拆分行注释。

掌握正则表达式，就像学会了“文本世界的语言”。它能让你在日志分析、数据清洗、表单验证等场景中游刃有余。希望这篇正则表达式入门教程，能成为你通往高效编程之路的第一步。