异常教程

正则表达式 – 教程（长文讲解）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

前言

在编程和数据处理的世界中，正则表达式（Regular Expression，简称 regex 或 regexp）如同一把瑞士军刀，能够精准地定位、提取和操作文本中的模式。无论是验证用户输入的邮箱格式、解析日志文件中的关键信息，还是批量替换文档中的特定内容，正则表达式都能以简洁高效的方式完成任务。然而，对于许多编程初学者而言，正则表达式既神秘又复杂，仿佛需要掌握某种“密码学”才能驾驭。本文将通过循序渐进的讲解、生动的比喻和实际案例，帮助读者逐步掌握这一强大的工具。

基础概念与核心语法

什么是正则表达式？

正则表达式是一种描述文本模式的符号语言，它通过特定的符号和规则，将模糊的“文本特征”转化为可执行的代码逻辑。例如，要匹配一个邮箱地址，正则表达式可以写成 ^\w+@\w+\.\w+$，这个模式能精准识别类似 user@example.com 的字符串，但会拒绝 user@.com 这样的无效格式。

形象比喻：
你可以将正则表达式想象成一张“寻宝图”，每个符号代表一个线索，指引程序在文本中寻找符合规则的“宝藏”。而程序员的任务，就是绘制这张图的路径。

基础语法：字符与元字符

1. 字符的直接匹配

正则表达式中最简单的用法是直接匹配字符。例如：

  • hello 匹配字符串中的“hello”
  • 404 匹配数字“404”

注意：
如果要匹配特殊字符（如 .、*、$），需用反斜杠 \ 转义。例如，匹配字符串中的句号需写成 \.。

2. 元字符：赋予表达式“超能力”

元字符是正则表达式的关键，它们能定义更复杂的匹配逻辑：
| 元字符 | 含义 | 示例 |
|--------|--------------------------|------------------------|
| . | 匹配任意单个字符（除换行符） | a.c 匹配 "abc"、"a2c" |
| * | 匹配前一个字符的零次或多次 | a*b 匹配 "b"、"aab" |
| + | 匹配前一个字符的一次或多次 | a+b 匹配 "ab"、"aaab" |
| ? | 匹配前一个字符的零次或一次 | colou?r 匹配 "color" 或 "colour" |
| ^ | 匹配字符串的开头 | ^start 匹配以 "start" 开头的文本 |
| $ | 匹配字符串的结尾 | end$ 匹配以 "end" 结尾的文本 |

案例：
要匹配以 http 开头的 URL，可以写成 ^http。若需同时匹配 https，则需 ^https?（其中 ? 允许 s 出现 0 次或 1 次）。

字符类：定义可选范围

1. 基本字符类

  • [abc]：匹配 a、b 或 c 中的一个字符
  • [0-9]：匹配任意数字（等价于 \d）
  • [A-Z]：匹配任意大写字母

案例：
匹配一个字母开头的邮箱：

^[a-zA-Z][\w.]+@\w+\.\w+$

2. 否定字符类

[^abc] 匹配不在集合内的字符。例如，[^0-9] 匹配非数字字符。

进阶技巧：量词与分组

量词的精准控制

量词（如 *、+、?）可以调整匹配的次数，但需注意“贪婪”与“非贪婪”模式：

  • 贪婪模式（默认）：尽可能匹配更多字符。例如，<.*> 在匹配 <div>content</div> 时会匹配到 </div>，导致意外结果。
  • 非贪婪模式：添加 ? 后，如 <.*?>，则仅匹配最短的 div 标签。

案例：
正确提取 HTML 标签：

<.*?>

分组与捕获

通过圆括号 () 可以创建分组，用于：

  1. 捕获内容：例如，(\d{4}) 可捕获年份，如 2023。
  2. 复用模式：如 (\w+)\s\1 匹配重复的单词，如 "test test"。

案例：
提取日期中的年、月、日：

(\d{4})-(\d{2})-(\d{2})

高级技巧：前瞻与后顾

前瞻（Lookahead）

前瞻允许检查匹配后的文本，但不将其包含在结果中：

  • 正向前瞻：a(?=b) 匹配后面跟着 b 的 a，例如 cab 中的 a。
  • 负向前瞻：a(?!b) 匹配后面不跟 b 的 a，例如 cat 中的 a。

案例：
匹配不以 .com 结尾的邮箱：

^[^@]+\@[^@]+\.(?!com$)[a-z]+$

后顾（Lookbehind）

与前瞻类似，但检查匹配前的文本：

  • 正向后顾：(?<=a)b 匹配前面是 a 的 b。
  • 负向后顾：(?<!a)b 匹配前面不是 a 的 b。

案例：
匹配 id=123 中的 123，且确保前缀是 id=：

(?<=id=)\d+

实战案例：常见场景的应用

案例 1：验证邮箱格式

邮箱的正则表达式需满足：

  • 以字母开头，允许包含 .、_、-
  • 后跟 @ 和域名，域名包含至少一个 .
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$

解析：

  • ^[a-zA-Z0-9._%+-]+：开头部分允许字母、数字及特殊字符。
  • @[a-zA-Z0-9.-]+：域名部分，允许字母、数字、点和横杠。
  • \.[a-zA-Z]{2,}$：确保以至少两个字母结尾（如 .com、.org）。

案例 2：提取电话号码

假设电话号码格式为 +86-138-1234-5678：

\+\d{2}-\d{3}-\d{4}-\d{4}

优化版本：
允许可选的国家代码和分隔符：

(\+\d{1,3}[- ]?)?(\d{3}[- ]?){2}\d{4}

案例 3：替换 HTML 标签

使用正则表达式删除所有 HTML 标签：

text.replace(/<.*?>/g, "");

工具与调试建议

推荐工具

  1. Regex101：实时测试正则表达式，支持高亮匹配和解释模式。
  2. VS Code 内置搜索：通过 /正则表达式/ 格式进行文件查找替换。

调试技巧

  • 逐步简化：从简单模式开始，逐步添加复杂条件。
  • 使用 x 标志（如 /pattern/x）：允许在正则中添加空格和注释。
  • 测试边界条件：例如，验证 0、空字符串或特殊符号是否符合预期。

结论与学习建议

总结

正则表达式是文本处理领域的核心工具，其威力在于通过符号组合实现复杂逻辑。从基础的字符匹配到高级的前瞻后顾，掌握正则表达式需要：

  1. 理解元字符的含义：如 .、*、() 的作用。
  2. 通过案例实践：从邮箱验证、文本提取到数据清洗，实战是提升的关键。
  3. 善用工具辅助：Regex101 等工具能显著降低调试成本。

学习路径建议

  • 初级阶段：学习基础语法和常见模式（如邮箱、电话号码）。
  • 中级阶段：掌握分组、前瞻后顾及替换功能。
  • 高级阶段：探索 Unicode 支持、性能优化和跨语言差异（如 JavaScript 与 Python 的语法差异）。

结语

正则表达式 – 教程的完成，不仅是技术的掌握，更是思维模式的转变。它教会我们如何将模糊的需求转化为精确的逻辑规则，如同在文本的迷宫中铺设一条条清晰的路径。从今天起，不妨尝试用正则表达式解决一个实际问题，你可能会发现：那些曾让你头疼的文本处理任务，原来可以如此优雅而高效！

（字数：约 1800 字）

最新发布

查看更多文章