正则表达式：解锁文本处理的终极利器

无论是前端表单验证、后端数据清洗，还是日志分析、批量文本处理，正则表达式始终是程序员手中最高效的文本处理工具。它看似晦涩难懂的符号背后，藏着一套极简且强大的文本匹配逻辑。本文将带你从零开始，系统掌握正则表达式的核心语法、实战场景与进阶技巧，让你真正驾驭这门“文本处理的魔法语言”。

前言

你是否遇到过这些场景：

  • 前端页面需要校验用户输入的手机号、邮箱格式是否合法
  • 从成千上万行日志中，快速提取出所有报错的接口地址和时间
  • 批量修改文档中所有符合特定格式的文本，手动修改要花几小时
  • 爬虫抓取网页后，从杂乱的HTML中精准提取出想要的内容

这些问题，用正则表达式只需要一行代码就能解决。正则表达式（Regular Expression，常简写为Regex/RegExp），本质上是一套用于描述文本匹配规则的语法体系，它通过一套预定义的符号组合，就能实现对文本的精准匹配、提取、替换和校验。

从1950年代数学家斯蒂芬·克莱尼提出正则表达式概念，到如今成为所有主流编程语言的标配能力，它历经70余年依然是文本处理领域无可替代的工具。接下来，我们就从基础到实战，彻底搞懂正则表达式。

一、正则表达式的核心基础

1.1 什么是正则表达式

简单来说，正则表达式是一个由普通字符和特殊元字符组成的匹配模式。这个模式会告诉计算机，我们要在文本中查找什么样的内容。

举个最简单的例子：

  • 正则表达式 hello，会精准匹配文本中所有出现的hello字符串，这就是纯普通字符的匹配。
  • 而正则表达式 h.llo，其中.是特殊元字符，代表匹配任意单个字符，它就能匹配hello、hallo、h1llo、h@llo等所有符合“h+任意字符+llo”格式的内容。

这就是正则的核心魅力：通过少量符号，就能描述复杂的文本规则。

1.2 正则的典型应用场景

正则表达式的应用几乎覆盖了开发的全流程，最常见的场景包括：

场景分类具体用途
表单校验手机号、邮箱、身份证号、密码强度、URL格式合法性校验
文本提取从日志、HTML、文档中提取符合规则的内容（如链接、数字、关键词）
文本替换批量替换文档中符合规则的内容，支持保留部分匹配结果
数据清洗处理脏数据，过滤无效字符、格式化文本内容
语法高亮代码编辑器、Markdown渲染器通过正则实现语法关键字高亮
路由匹配Web框架（如Vue Router、Express）通过正则实现动态路由匹配

二、正则表达式核心语法全解

正则的语法体系并不复杂，核心可以分为元字符、量词、字符类、分组、断言五大模块，我们逐个拆解，配合实例理解，记忆更轻松。

注：本文所有示例均采用通用正则语法，兼容绝大多数编程语言，特殊语法差异会单独标注。

2.1 基础元字符：正则的“关键字”

元字符是正则中具有特殊含义的字符，是构成匹配规则的基础，最核心的元字符如下表：

元字符匹配规则示例匹配结果
.匹配任意单个字符（换行符\n除外）a.b匹配aab、a1b、a@b，不匹配ab、a\nb
^匹配字符串的开头^hello匹配以hello开头的文本，不匹配中间出现的hello
$匹配字符串的结尾world$匹配以world结尾的文本，不匹配中间出现的world
\d匹配任意数字，等价于[0-9]phone:\d{11}匹配phone:13800138000这类11位手机号格式
\D匹配任意非数字字符，等价于[^0-9]\D+匹配abc、@#$、中文等非数字内容
\w匹配字母、数字、下划线，等价于[a-zA-Z0-9_]\w+匹配user_name123，不匹配user-name、中文
\W匹配非字母、数字、下划线的字符\W匹配-、@、空格、中文等
\s匹配任意空白字符（空格、制表符\t、换行符\n、回车符\r）a\sb匹配a b、a\tb、a\nb
\S匹配任意非空白字符\S+匹配除空格外的所有连续字符
\转义符，将特殊元字符转为普通字符\.匹配普通的.符号，而非任意字符

核心示例：匹配以数字开头，以字母结尾的字符串

^\d.*[a-zA-Z]$
  • ^ 限定开头必须是数字
  • \d 匹配开头的数字
  • .* 匹配中间任意数量的任意字符
  • [a-zA-Z]$ 限定结尾必须是字母

2.2 量词：控制匹配的次数

量词用于指定前面的字符/规则需要匹配多少次，是正则中实现灵活匹配的核心，分为贪婪量词和非贪婪量词（后续进阶部分详解），基础量词如下：

量词匹配规则示例匹配结果
*匹配前面的规则0次或多次，等价于{0,}a*b匹配b、ab、aab、aaab
+匹配前面的规则1次或多次，等价于{1,}a+b匹配ab、aab，不匹配b
?匹配前面的规则0次或1次，等价于{0,1}colou?r匹配color、colour（美式/英式拼写兼容）
{n}匹配前面的规则恰好n次\d{11}匹配恰好11位数字，用于手机号校验
{n,}匹配前面的规则至少n次\d{6,}匹配至少6位数字，用于密码强度校验
{n,m}匹配前面的规则至少n次，最多m次\d{4,6}匹配4-6位数字，如验证码

核心示例：匹配8-16位密码，必须包含字母和数字

^(?=.*[a-zA-Z])(?=.*\d)\w{8,16}$
  • ^和$限定整个字符串的开头和结尾
  • (?=.*[a-zA-Z]) 断言必须包含至少一个字母
  • (?=.*\d) 断言必须包含至少一个数字
  • \w{8,16} 匹配8-16位的字母、数字、下划线

2.3 字符类：自定义匹配范围

当我们需要匹配特定范围内的字符时，就需要用到字符类，用[]包裹，代表匹配方括号内的任意一个字符。

基础用法
  • [abc]：匹配a、b、c中的任意一个字符
  • [^abc]：排除型字符类，匹配除了a、b、c之外的任意一个字符
  • [a-z]：匹配任意小写字母，-代表范围
  • [A-Z]：匹配任意大写字母
  • [0-9]：匹配任意数字，等价于\d
  • [a-zA-Z0-9]：匹配任意字母和数字
实用示例
  1. 匹配中文：[\u4e00-\u9fa5]（Unicode中文编码范围）
  2. 匹配十六进制字符：[0-9a-fA-F]
  3. 匹配除了数字和字母之外的特殊字符：[^a-zA-Z0-9]

2.4 分组与捕获：提取匹配内容

分组用()包裹，将多个规则合并为一个整体，不仅可以控制量词的作用范围，还能捕获匹配到的内容，用于后续的提取或替换。

1. 基础分组

将多个字符视为一个整体，控制量词作用：

  • 正则(ab)+：匹配ab、abab、ababab，+作用于整个ab分组
  • 正则ab+：匹配ab、abb、abbb，+仅作用于b
2. 捕获分组

括号内的匹配内容会被正则引擎“捕获”，可以通过$1、$2（替换场景）或分组索引（提取场景）获取，序号从1开始，按左括号顺序计数。

示例：提取手机号的号段和后8位

^(\d{3})(\d{8})$
  • 对于手机号13800138000，$1捕获到138，$2捕获到00138000

示例：日期格式替换
将2024-05-20替换为05/20/2024，正则匹配规则：

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

替换表达式：

$2/$3/$1
3. 非捕获分组

如果我们只需要分组的整体功能，不需要捕获内容，可以用(?:)语法，减少正则引擎的内存开销：

  • (?:ab)+：匹配ab的重复，但不会捕获分组内容，无法通过$1获取

2.5 零宽断言：精准定位匹配位置

零宽断言（也叫环视）是正则的进阶能力，它只匹配位置，不匹配字符，就像给匹配规则加了一个“定位器”，只在符合条件的位置才进行匹配。

零宽断言分为四大类，核心语法如下：

断言类型语法匹配规则
正向先行断言(?=pattern)匹配后面紧跟着pattern的位置
负向先行断言(?!pattern)匹配后面没有紧跟着pattern的位置
正向后行断言(?<=pattern)匹配前面紧跟着pattern的位置
负向后行断言(?<!pattern)匹配前面没有紧跟着pattern的位置
实用示例

  1. 正向先行断言：匹配@前面的邮箱用户名

    \w+(?=@)

    对于user123@example.com，只会匹配到user123，不会匹配@和后面的内容。

  2. 正向后行断言：匹配id=后面的数字

    (?<=id=)\d+

    对于user?id=12345，只会匹配到12345。

  3. 负向先行断言：匹配不包含abc的字符串

    ^(?!.*abc).*$

  4. 负向后行断言：匹配前面不是$的数字

    (?<!\$)\d+

    对于$100和200，只会匹配到200。

三、高频实战场景案例

掌握了基础语法，我们来看看开发中最常用的正则实战案例，每一个都可以直接复制到项目中使用。

3.1 表单校验场景

表单校验是正则最常用的场景，以下是国内开发中最常用的校验规则：

1. 手机号校验（中国大陆）
^1[3-9]\d{9}$
  • 规则说明：以1开头，第二位是3-9，后面跟着9位数字，总共11位
2. 邮箱地址校验
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
  • 规则说明：用户名支持字母、数字、特殊符号，域名支持多级，后缀至少2位字母
3. 身份证号校验（18位）
^[1-9]\d{5}(19|20)\d{2}(0[1-9]|1[0-2])(0[1-9]|[12]\d|3[01])\d{3}[0-9Xx]$
  • 规则说明：前6位地址码、8位出生日期（19/20开头）、3位顺序码、1位校验位（数字或X/x）
4. 密码强度校验
^(?=.*[a-z])(?=.*[A-Z])(?=.*\d)(?=.*[@$!%*?&])[A-Za-z\d@$!%*?&]{8,20}$
  • 规则说明：8-20位，必须包含大小写字母、数字、特殊符号

3.2 文本提取场景

1. 提取文本中所有的URL
https?://[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}[^\s]*
  • 匹配http://或https://开头的所有链接，支持带路径、参数的URL
2. 提取HTML中的图片地址
(?<=<img.*?src=")[^"]+(?=")
  • 结合后行/先行断言，精准提取<img>标签中src属性的内容，不会匹配标签其他部分
3. 提取文本中所有的中文
[\u4e00-\u9fa5]+

3.3 批量文本替换场景

1. 隐藏手机号中间4位

匹配规则：

^(\d{3})\d{4}(\d{4})$

替换表达式：

$1****$2
  • 效果：13800138000 → 138****8000
2. Markdown标题批量添加序号

匹配规则（匹配二级标题）：

^## (.*)$

替换表达式：

## 1. $1
3. 去除文本中所有的HTML标签
<[^>]+>
  • 替换为空字符串，即可清除所有<xxx>格式的HTML标签，保留纯文本

3.4 日志分析场景

从Nginx访问日志中，提取所有404错误的请求路径和IP地址：

^(\S+) .*?" \s404\s.*?"(.*?)" ".*?$
  • $1捕获客户端IP，$2捕获404的请求路径

四、进阶技巧与避坑指南

4.1 贪婪匹配 vs 非贪婪匹配

正则的量词默认是贪婪模式，会尽可能匹配最长的符合规则的内容；而在量词后加?，就会转为非贪婪模式（惰性模式），会尽可能匹配最短的符合规则的内容。

示例对比

文本内容：

<div>标题1</div><div>标题2</div>

  1. 贪婪匹配：<div>.*</div>

    • 匹配结果：整个字符串<div>标题1</div><div>标题2</div>，因为.*会尽可能往后匹配，直到最后一个</div>

  2. 非贪婪匹配：<div>.*?</div>

    • 匹配结果：分别匹配到<div>标题1</div>和<div>标题2</div>，.*?匹配到第一个</div>就停止

使用场景：提取HTML标签、成对的符号内容时，优先使用非贪婪匹配，避免匹配范围超出预期。

4.2 正则性能优化：避免回溯陷阱

正则引擎在匹配失败时，会进行回溯（回到之前的匹配位置尝试其他可能），不当的正则写法会导致回溯次数呈指数级增长，造成程序卡顿甚至崩溃。

优化核心原则
  1. 避免嵌套的量词：比如(a+)*，这种写法在匹配失败时会产生海量回溯，是最常见的性能陷阱
  2. 精准限定匹配范围：能用\d{11}就不用\d+，能用[^"]*就不用.*，减少匹配的不确定性
  3. 优先使用非捕获分组：不需要提取内容时，用(?:)代替()，减少引擎的捕获开销
  4. 避免开头使用通配符：^.*abc的性能远低于^abc，因为通配符开头会让引擎遍历整个字符串
  5. 合理使用零宽断言：减少不必要的分组和匹配，提升定位效率

4.3 常见的坑与解决方案

  1. .不匹配换行符

    • 问题：正则.*无法匹配包含换行的多行文本
    • 解决方案：开启正则的单行模式（DotAll），或用[\s\S]*代替.*，匹配所有字符（包括换行）

  2. ^和$的行匹配问题

    • 问题：默认情况下，^和$只匹配整个字符串的开头和结尾，无法匹配每一行的开头结尾
    • 解决方案：开启正则的多行模式（Multiline）

  3. 字符类中的元字符失效

    • 问题：在[]中，绝大多数元字符都会变成普通字符，比如[.]只会匹配.本身，而非任意字符
    • 解决方案：字符类中仅需转义]、-、\这几个特殊字符，其他无需转义

  4. 大小写匹配问题

    • 问题：默认正则区分大小写，abc无法匹配ABC
    • 解决方案：开启正则的忽略大小写模式（IgnoreCase）

五、主流编程语言中的正则使用

正则是跨语言的能力，不同语言的API略有差异，核心语法完全通用，以下是4种主流语言的极简使用示例。

5.1 Python 中的 re 模块

Python通过内置的re模块实现正则功能，核心API如下：

import re

# 1. 校验匹配：判断字符串是否符合规则
phone_pattern = r"^1[3-9]\d{9}$"
is_valid = re.match(phone_pattern, "13800138000")
print(bool(is_valid))  # 输出 True

# 2. 提取内容：提取文本中所有符合规则的内容
text = "我的邮箱是user1@example.com，备用邮箱是user2@test.com"
email_pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"
emails = re.findall(email_pattern, text)
print(emails)  # 输出 ['user1@example.com', 'user2@test.com']

# 3. 文本替换
phone_text = "13800138000"
hide_pattern = r"^(\d{3})\d{4}(\d{4})$"
result = re.sub(hide_pattern, r"\1****\2", phone_text)
print(result)  # 输出 138****8000

5.2 JavaScript 中的正则对象

JS中正则有两种写法，字面量/pattern/flags和new RegExp()构造函数，核心用法：

// 1. 校验匹配
const phonePattern = /^1[3-9]\d{9}$/;
const isValid = phonePattern.test("13800138000");
console.log(isValid); // 输出 true

// 2. 提取内容
const text = "我的邮箱是user1@example.com，备用邮箱是user2@test.com";
const emailPattern = /[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}/g;
const emails = text.match(emailPattern);
console.log(emails); // 输出 ['user1@example.com', 'user2@test.com']

// 3. 文本替换
const phoneText = "13800138000";
const hidePattern = /^(\d{3})\d{4}(\d{4})$/;
const result = phoneText.replace(hidePattern, "$1****$2");
console.log(result); // 输出 138****8000

5.3 Java 中的 Pattern 与 Matcher

Java通过java.util.regex包下的Pattern和Matcher类实现正则功能：

import java.util.regex.*;
import java.util.ArrayList;
import java.util.List;

public class RegexDemo {
    public static void main(String[] args) {
        // 1. 校验匹配
        String phonePattern = "^1[3-9]\\d{9}$";
        boolean isValid = Pattern.matches(phonePattern, "13800138000");
        System.out.println(isValid); // 输出 true

        // 2. 提取内容
        String text = "我的邮箱是user1@example.com，备用邮箱是user2@test.com";
        String emailPattern = "[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\\.[a-zA-Z]{2,}";
        Pattern pattern = Pattern.compile(emailPattern);
        Matcher matcher = pattern.matcher(text);
        List<String> emails = new ArrayList<>();
        while (matcher.find()) {
            emails.add(matcher.group());
        }
        System.out.println(emails); // 输出 [user1@example.com, user2@test.com]

        // 3. 文本替换
        String phoneText = "13800138000";
        String hidePattern = "^(\\d{3})\\d{4}(\\d{4})$";
        String result = phoneText.replaceAll(hidePattern, "$1****$2");
        System.out.println(result); // 输出 138****8000
    }
}

5.4 Go 中的 regexp 包

Go通过内置的regexp包实现正则功能，核心用法：

package main

import (
	"fmt"
	"regexp"
)

func main() {
	// 1. 校验匹配
	phonePattern := regexp.MustCompile(`^1[3-9]\d{9}$`)
	isValid := phonePattern.MatchString("13800138000")
	fmt.Println(isValid) // 输出 true

	// 2. 提取内容
	text := "我的邮箱是user1@example.com，备用邮箱是user2@test.com"
	emailPattern := regexp.MustCompile(`[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}`)
	emails := emailPattern.FindAllString(text, -1)
	fmt.Println(emails) // 输出 [user1@example.com user2@test.com]

	// 3. 文本替换
	phoneText := "13800138000"
	hidePattern := regexp.MustCompile(`^(\d{3})\d{4}(\d{4})$`)
	result := hidePattern.ReplaceAllString(phoneText, "$1****$2")
	fmt.Println(result) // 输出 138****8000
}

六、学习资源与调试工具

6.1 在线调试工具

写正则的过程中，调试是必不可少的，推荐几个顶尖的在线工具：

  1. Regex101：https://regex101.com/ （最推荐，支持多语言、实时匹配、语法解释、回溯分析）
  2. Regexr：https://regexr.com/ （界面友好，有详细的语法参考和示例）
  3. RegEx Testing：https://www.regextester.com/ （轻量简洁，支持多语言切换）

6.2 系统学习资源

  1. 《精通正则表达式》：正则领域的圣经级著作，深入讲解正则引擎原理和高级技巧
  2. MDN 正则表达式指南：https://developer.mozilla.org/zh-CN/docs/Web/JavaScript/Guide/Regular_Expressions （JS正则权威参考，适合入门）
  3. 正则表达式30分钟入门教程：https://deerchao.cn/tutorials/regex/regex.htm （国内最经典的入门教程，通俗易懂）

总结

正则表达式不是一门需要死记硬背的语法，而是一套解决文本处理问题的思维工具。很多人觉得正则晦涩，只是因为没有找到它的逻辑规律——从基础的元字符、量词，到分组、断言，所有的规则都是为了更精准地描述“我们要找什么”。

本文覆盖了正则从入门到进阶的所有核心内容，从基础语法到实战案例，再到性能优化。想要真正掌握正则，最好的方式就是边学边练：遇到文本处理问题时，先尝试用正则解决，在调试中理解每一个符号的含义，很快你就能驾驭这把文本处理的“瑞士军刀”。

最后记住：正则不是越复杂越厉害，能用最简单的规则解决问题，才是正则的最高境界。

# 正则表达式 # python # java
Logo
乐奇 Rokid 开放社区

更多推荐

用径向菜单完成 macOS 窗口管理的 Loop 上手指引

周三上午，你要同时摆好代码、终端、文档三个窗口。别急着来回拖拽，先按住触发键，把鼠标指向屏幕右侧，窗口就落进了右半屏。这就是 macOS 窗口管理工具 Loop，它用径向菜单和预览窗口，替掉了繁琐的拖边操作。## 🚀 5 步装好 Loop 并完成第一次窗口调整**第 1 步：安装**用 Homebrew 一行装好：```brew install loop```也可以克隆源

avatar 乐奇 Rokid 开放社区

Hydra 1.1 到 1.2 升级指南：@hydra.main() 与 hydra.initialize() 的 config_path 默认行为变更

Hydra 从 1.2 开始，当 `version_base >= "1.2"` 时，`@hydra.main()` 和 `hydra.initialize()` 的 `config_path` 参数默认值由"应用所在的目录"变更为 `None`，即不再向配置搜索路径（Config Search Path）中自动添加任何目录。这篇指南梳理 Hydra 1.0 → 1.1 → 1.2 三个阶段 `c

avatar 乐奇 Rokid 开放社区
cover

把镜子戴到眼睛上：我用 AIUI 在 Rokid Glasses 上做了一面会说话的「镜感 VIBE」

avatar 乐奇 Rokid 开放社区