正则表达式 – 使用总结
在日常开发中，我们经常需要处理字符串，比如验证邮箱格式、提取手机号、清洗日志数据、替换敏感词等。这些场景背后，往往离不开一个强大又“神秘”的工具——正则表达式。它就像一把瑞士军刀，虽然外形简单，却能应对各种复杂的字符串操作任务。
如果你刚开始接触正则表达式，可能会觉得它像天书，符号一堆，看得一头雾水。但只要掌握了基本逻辑和常用模式，你会发现它其实非常有规律，甚至能让你的代码变得简洁高效。今天，我们就来系统梳理一下正则表达式的核心用法，帮助你从“看不懂”到“用得上”。
字符匹配基础：从简单到复杂
正则表达式最基础的功能，就是匹配特定的字符。比如你想检查一个字符串是否包含字母 a，就可以写 a。这看起来很简单，但它的威力在于可以组合使用。
举个例子：你想匹配“cat”这个词，可以直接写 cat。但如果想匹配“cat”或“cut”，可以用 cat|cut，这里的 | 就是“或”的意思。
再比如，你想匹配任意一个数字，可以写 [0-9]。这个方括号表示“字符类”，即从里面选一个字符。你也可以写成 \d，这是更简洁的写法，代表任意一个数字字符。
import re
text = "今天是2024年5月1日"
pattern = r'\d' # \d 代表一个数字字符
matches = re.findall(pattern, text)
print(matches) # 输出: ['2', '0', '2', '4', '5', '1']
注释：这里的
r'\d'是原始字符串，避免反斜杠被转义。\d是正则中预定义的字符类，等价于[0-9]。
元字符与量词：控制匹配次数
正则表达式真正强大的地方，在于它能精确控制“匹配多少次”。这主要靠“量词”来实现。
常见的量词有：
*：匹配 0 次或多次+：匹配 1 次或多次?：匹配 0 次或 1 次{n}：精确匹配 n 次{n,}：至少匹配 n 次{n,m}：匹配 n 到 m 次
举个实际例子：验证一个手机号是否合法（中国手机号，11位，以1开头，第二位是3-9）。
import re
phone = "13812345678"
pattern = r'^1[3-9]\d{9}$'
if re.match(pattern, phone):
print("手机号格式正确")
else:
print("手机号格式错误")
注释：
^和$是锚点，确保整个字符串完全匹配。如果没有它们，1[3-9]\d{9}也可能匹配到“abc13812345678def”中的一部分，导致误判。
分组与捕获：提取关键信息
在实际项目中，我们不仅需要判断字符串是否符合格式，更常需要从中提取出有用的数据。这时，分组（()）就派上用场了。
比如，从一段文本中提取日期（格式为 YYYY-MM-DD）：
import re
text = "会议时间是2024-05-15，报名截止2024-06-30。"
pattern = r'(\d{4})-(\d{2})-(\d{2})'
matches = re.findall(pattern, text)
for year, month, day in matches:
print(f"年份: {year}, 月份: {month}, 日期: {day}")
注释：
(\d{4})表示匹配4位数字并作为一组，后面两个括号同理。re.findall返回的是元组列表，每个元组对应一组捕获内容。
你也可以用 re.search 找到第一个匹配项，并访问分组：
match = re.search(r'(\d{4})-(\d{2})-(\d{2})', text)
if match:
year = match.group(1) # 获取第一组
month = match.group(2) # 获取第二组
day = match.group(3) # 获取第三组
print(f"提取到日期：{year}年{month}月{day}日")
注释：
group(1)、group(2)等方法用于获取对应分组的内容，group(0)是完整匹配的字符串。
常用场景：正则表达式在项目中的实战
验证邮箱格式
邮箱的格式比较复杂，但用正则可以高效处理。一个常见的邮箱正则如下：
import re
email = "user@example.com"
pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
if re.match(pattern, email):
print("邮箱格式正确")
else:
print("邮箱格式错误")
注释：
^和$锚定整个字符串。[a-zA-Z0-9._%+-]+表示用户名部分，可以包含字母、数字、点、下划线、百分号、加号、减号。@后是域名，最后是顶级域名，至少两个字母。
提取HTML标签中的内容
在爬虫或日志分析中，经常需要从HTML中提取标签内容。比如提取所有 <p> 标签中的文字：
import re
html = "<p>这是第一个段落</p><p>这是第二个段落</p>"
pattern = r'<p>(.*?)</p>' # 非贪婪匹配
matches = re.findall(pattern, html)
for p in matches:
print(p)
注释：
.*?是非贪婪模式，表示尽可能少地匹配字符，避免把多个标签的内容合并在一起。如果用.*，可能会匹配到<p>第一个</p><p>第二个</p>，导致结果错误。
常见陷阱与最佳实践
正则表达式虽然强大，但也有“坑”需要注意。以下是几个常见问题：
1. 懒惰匹配 vs. 贪婪匹配
默认情况下，正则使用贪婪匹配，即尽可能多地匹配。但有时我们希望“最少匹配”。
比如，想提取 a...b...a...b 中第一个 a 到 b 之间的内容：
text = "a123b456b"
print(re.findall(r'a.*b', text)) # ['a123b456b']
print(re.findall(r'a.*?b', text)) # ['a123b']
注释：加
?后，量词变成懒惰模式，适合提取最短的匹配片段。
2. 转义特殊字符
正则中很多符号有特殊含义，比如 .、*、+、?、{、} 等。如果你要匹配这些字符本身，必须用反斜杠转义。
比如匹配一个实际的点号：
text = "文件名: config.json"
pattern = r'\.json' # 匹配 .json
print(re.findall(pattern, text)) # ['json']
注释：
\.表示匹配字面意义的点号，而不是“任意字符”。
总结与建议
正则表达式 – 使用总结，不是一朝一夕能掌握的，但它绝对是提升开发效率的重要技能。从最基础的字符匹配，到复杂的分组捕获、量词控制，再到实际项目中的验证与提取，每一步都有明确的应用场景。
建议初学者从简单开始，先掌握 ^、$、*、+、?、()、\d、\w 等常用符号，然后逐步尝试写一些小练习，比如：
- 验证身份证号（18位，最后一位可以是X）
- 提取URL中的域名
- 清洗日志中的错误码
随着实战经验积累，你会发现正则表达式不再神秘，反而成为你处理字符串问题的“利器”。
记住：正则表达式不是越复杂越好，而是越精确越高效。写完后，多测试几个边界 case，确保逻辑无误。
最后，别忘了：正则表达式 – 使用总结，不是终点，而是你编程能力进阶路上的一块重要基石。多练、多想、多查文档，你会越来越得心应手。