正则表达式基础入门:从匹配到提取的实用技巧
【摘要】 本文简练介绍正则表达式核心语法:字符匹配、量词、锚点、分组提取,配合日志分析和数据校验等实战场景。
前言
正则表达式是文本处理的瑞士军刀:日志分析、数据校验、批量替换都离不开它。但初学者常被一长串符号吓退。本文用最简练的方式讲清楚核心语法,配合实际场景让你快速上手。
匹配字符
正则的核心是"描述一类字符串"。先从最基础的字符匹配开始:
- 普通字符:直接匹配自身。
abc匹配 “abc” .:匹配任意单个字符(除换行)。a.c匹配 “abc”、“axc”\d:匹配数字 0-9。\d\d匹配 “42”\w:匹配字母、数字、下划线。\w+匹配一个单词\s:匹配空白字符(空格、Tab、换行)
字符集用方括号:[aeiou] 匹配任一元音,[0-9] 等价于 \d,[^0-9] 匹配非数字。
量词:匹配多少次
| 量词 | 含义 | 示例 |
|---|---|---|
* |
0 次或多次 | ab*c 匹配 “ac”、“abc”、“abbc” |
+ |
1 次或多次 | ab+c 匹配 “abc”、“abbc”(不匹配 “ac”) |
? |
0 次或 1 次 | colou?r 匹配 “color”、“colour” |
{n} |
恰好 n 次 | \d{4} 匹配 4 位数字 |
{n,m} |
n 到 m 次 | \d{2,4} 匹配 2-4 位数字 |
贪婪与非贪婪:.* 会尽可能多匹配(贪婪),.*? 会尽可能少匹配(非贪婪)。提取 HTML 标签内容时用 <div>(.*?)</div> 而非 <div>(.*)</div>,否则会匹配到最后一个 </div>。
锚点:定位匹配位置
^:字符串开头。^\d匹配以数字开头的行$:字符串结尾。\.txt$匹配以 .txt 结尾\b:单词边界。\bcat\b匹配 “cat” 但不匹配 “category”
分组与提取
用括号分组,可以提取匹配的子串:
(\d{4})-(\d{2})-(\d{2}) # 匹配日期 2026-10-28
# 第1组=2026, 第2组=10, 第3组=28
替换中用 $1、$2 引用分组(Python 中用 \1、\2):
import re
re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\2/\3/\1', '2026-10-28')
# 结果: "10/28/2026"
实战场景
1. 校验手机号:^1[3-9]\d{9}$
2. 提取 URL 中的域名:https?://([^/]+) — 第 1 组即域名
3. 日志中提取错误码:ERROR\[(\d+)\] — 匹配 ERROR[404] 并提取 404
4. 驼峰转下划线:
re.sub(r'([A-Z])', r'_\1', 'myVarName').lower()
# 结果: "my_var_name"
常见陷阱
- 忘记转义:
.在正则中是通配符,匹配字面点号要写\. - 贪婪匹配过度:用
.*?替代.*避免过度匹配 - 未用锚点:校验完整字符串记得加
^和$,否则1[3-9]\d{9}会匹配 “abc13800138000def” - 性能问题:嵌套量词如
(a+)+可能导致灾难性回溯,复杂场景考虑原子分组或预编译
小结
- 字符匹配(
.、\d、\w、\s)+ 字符集[]是基础 - 量词(
*、+、?、{n,m})控制重复,加?变非贪婪 - 锚点(
^、$、\b)定位边界,分组()提取子串 - 先写简单正则测试,再逐步加约束——别一上来就写一长串
掌握这些核心语法,90% 的日常文本处理场景就够用了。
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)