正则表达式

正则测试

常用组合

正则表达式中，常用组合是基于元字符、量词和模式修饰符的灵活搭配，用于解决特定匹配场景。以下是开发中高频使用的经典组合，按功能分类整理，附场景说明和示例：

一、基础匹配组合

1. 任意字符匹配

• .*（贪婪匹配）
  • 含义：匹配任意字符（除换行符）0 次或多次，尽可能多匹配。
  • 示例：文本 a-b-c，用 a.*c 匹配 a-b-c（从 a 到最后一个 c）。
• .*?（非贪婪匹配）
  • 含义：匹配任意字符（除换行符）0 次或多次，尽可能少匹配（遇到满足后续条件则停止）。
  • 示例：文本 a-b-c，用 a.*?c 匹配 a-b-c（若文本是 a-b-c-d-c，则匹配 a-b-c）。

2. 数字与非数字

• \d+：匹配1 个或多个数字（等价于 [0-9]+）。
  • 用途：提取手机号、身份证号等数字串，如 13800138000。
• \D+：匹配1 个或多个非数字（等价于 [^0-9]+）。
  • 用途：提取数字外的字符，如从 age:25 中匹配 age:。

3. 空白字符

• \s+：匹配1 个或多个空白字符（空格、Tab、换行符 \n 等）。
  • 用途：处理多余空格，如 a b 中匹配两个空格。
• \S+：匹配1 个或多个非空白字符。
  • 用途：提取连续非空白内容，如从 name: Alice 中匹配 Alice。

非贪婪匹配

各部分含义

• .：匹配任意单个字符（默认不包括换行符 \n，除非开启单行模式 re.DOTALL 或 s 标志）。
• *：量词，表示匹配前面的元素（这里是 .****）0 次或多次（贪婪模式，即尽可能多匹配）。
• ?：跟在 * 后，表示非贪婪模式（也叫懒惰模式），即尽可能少地匹配，一旦满足后续条件就停止。

作用：非贪婪匹配任意字符序列

.*? 的核心功能是：匹配从当前位置开始，到第一个满足「后续正则条件」的位置为止的所有字符（不包括换行符，除非特殊设置）。

示例对比（贪婪 vs 非贪婪）

假设文本为："aXXbXXc"，用不同正则匹配：

• 贪婪模式 a.*b：会匹配 aXXb（尽可能多匹配，直到最后一个 b）。
• 非贪婪模式 a.*?b：只会匹配 aXXb 中的 aXXb？不，这里更明显的例子是文本 a1b2b3：
  • a.*b 会匹配 a1b2b（贪婪到最后一个 b）。
  • a.*?b 会匹配 a1b（非贪婪，遇到第一个 b 就停止）。

常见使用场景

（1）提取两个标记之间的内容

例如，提取 HTML 标签 <div> 和 </div> 之间的内容（非贪婪避免跨多个标签匹配）：<div>.*?</div>

• 文本：<div>1</div><div>2</div>
• 匹配结果：<div>1</div>（只匹配第一个标签对，而非整个字符串）。

（2）处理 Markdown 代码块（如前面的例子）

匹配 开头和 结尾之间的内容，避免跨多个代码块：.*?

• 非贪婪模式确保只匹配单个代码块，而不是从第一个 到最后一个 的所有内容。

（3）忽略换行符的限制（需开启单行模式）

默认 . 不匹配换行符 \n，若要让 .*? 匹配包括换行符在内的所有字符，需开启单行模式（Python 中用 re.DOTALL，JavaScript 中用 s 标志）：

• 正则：(?s)start.*?end（(?s) 是单行模式的内联标志）
• 可匹配跨多行的 start 到 end 之间的内容，例如：

start
中间换行
end

注意事项

• 不匹配换行符：默认情况下，.*? 不会匹配 \n，若需包含换行符，需开启单行模式（re.DOTALL 或 s 标志）。
• 性能问题：非贪婪匹配在复杂文本中可能比贪婪匹配稍慢，但可控，优先保证匹配准确性。
• 与其他量词结合：? 也可用于 +（+? 表示非贪婪匹配 1 次或多次）、{n,}（{n,}? 表示非贪婪匹配至少 n 次）等。

二、边界与位置匹配组合

1. 单词边界

• \b\w+\b：匹配完整单词（\b 是单词边界，\w+ 匹配字母 / 数字 / 下划线）。
  • 示例：文本 hello world123 中匹配 hello 和 world123。
• \B\w+\B：匹配非单词边界的字符（单词内部的字符）。
  • 示例：文本 hello 中匹配 ell（不含首尾字母）。

1. 行首尾匹配

• ^...$：匹配整行内容（^ 行首，$ 行尾）。
  • 示例：^hello$ 仅匹配单独一行的 hello（排除 hello world 等）。
• ^#.\*$：匹配以 # 开头的行（如 Markdown 标题）。
  • 示例：匹配 # 标题 或 ## 子标题。

三、字符集与范围组合

1. 自定义字符集

• [a-zA-Z0-9_]：等价于 \w，匹配字母、数字、下划线。
• [^a-zA-Z]：匹配非字母字符（^ 在字符集内表示 “非”）。
  • 示例：从 abc123!@ 中匹配 123!@。
• [0-9a-fA-F]：匹配十六进制字符（0-9、a-f、A-F）。
  • 用途：验证颜色值（如 #ff0088）。

1. 固定长度与范围

• \d{3,4}-\d{7,8}：匹配固定格式的电话号码（如 010-12345678 或 0571-8765432）。
  • 说明：{3,4} 表示 3-4 位数字，{7,8} 表示 7-8 位数字。
• \w{6,16}：匹配6-16 位的用户名（字母 / 数字 / 下划线）。

四、捕获与替换组合

1. 分组捕获与引用

• (\d{4})-(\d{2})-(\d{2})：捕获日期中的年、月、日（分组 $1 年，$2 月，$3 日）。
  • 替换示例：将 2023-10-01 转为 10/01/2023，替换规则为 $2/$3/$1。
• (ab)+：捕获连续重复的 ab（如 ababab 中匹配整个字符串，分组为 ab）。

1. 非捕获分组

• (?:abc)+：匹配连续的 abc，但不捕获分组（用于只匹配不提取的场景）。
  • 示例：(?:abc){2} 匹配 abcabc，但替换时无法用 $1 引用。

五、特殊场景组合

1. 邮箱验证

• \w+([-+.]\w+)\*@\w+([-.]\w+)\*\.\w+([-.]\w+)\*
  • 解析：匹配常见邮箱格式（如 user.name+tag@domain.co.uk）。

1. URL 匹配

• https?://[^\s]+
  • 含义：匹配 http:// 或 https:// 开头，到第一个空白字符为止的 URL。
  • 示例：匹配 https://example.com/path?query=1。

1. HTML/XML 标签提取

• <[^>]+>：匹配任意 HTML/XML 标签（如 <div>、<img src="x">）。
  • 用途：清除文本中的标签，替换为空即可。

1. 多行匹配（需开启多行模式）

• (?m)^#.\*$（(?m) 是多行模式内联标志）
  • 含义：在多行文本中，匹配每一行以 # 开头的内容（如批量提取 Markdown 标题）。

1. 包含换行符的匹配（单行模式）

• (?s)start.\*?end（(?s) 是单行模式内联标志，让 . 匹配换行符）
  • 用途：匹配跨多行的内容，如：

  • start
    中间换行内容
    end
    

六、反义与排除组合

• [^"]\*：匹配除双引号外的任意字符（用于提取引号内内容）。
  • 示例："hello world" 中，用 "([^"]*)" 捕获 hello world。
• (?!ignore).\*：匹配不包含 ignore 的行（负向预查）。
  • 示例：^(?!#).*$ 匹配非 # 开头的行（排除 Markdown 标题）。

总结

正则组合的核心是根据场景选择元字符 + 量词 + 模式：

• 匹配 “任意内容” 用 .* 或 .*?（控制贪婪 / 非贪婪）；
• 匹配 “特定格式”（如日期、邮箱）用字符集 + 固定长度；
• 处理 “结构化文本”（如标签、代码块）用分组 + 边界匹配；
• 复杂场景需结合模式修饰符（多行 / 单行模式）。

资源

30分钟入门