Python：正则表达式

正则表达式的基础和应用

一、正则表达式核心语法（四大基石）

1. ​元字符（特殊符号）​

• ​定位符

  ^：匹配字符串开始位置

  $：匹配字符串结束位置

  \b：匹配单词边界​（如 \bword\b 匹配独立单词）

• ​字符类

  .：任意单个字符（默认不包括换行符）

  \d：数字（等价 [0-9]）

  \w：字母、数字、下划线（等价 [a-zA-Z0-9_]）

  \s：空白符（空格、Tab、换行等）

• ​转义符

  \：将特殊字符转为普通字符（如 \. 匹配真正的点号）

  2. ​量词（重复次数）​

  • *：0次或多次
  • +：1次或多次
  • ?：0次或1次
  • {n}：精确n次
  • {n,}：至少n次
  • {n,m}：n到m次

    3. ​字符集合与逻辑

    • [abc]：匹配a、b、c中的任意一个
    • [a-z]：匹配小写字母a到z
    • [^abc]：否定集合（匹配不在abc中的字符）
    • |：逻辑或（如 cat|dog 匹配"cat"或"dog"）

      4. ​分组与引用

      • ( )：捕获分组（可通过 \1 或 $1 反向引用）
      • (?: )：非捕获分组（仅用于逻辑分组）
      • (?P)：命名分组（Python中可通过名称引用）

        ---

        二、正则引擎工作原理（NFA vs DFA）

        1. ​NFA引擎（主流实现）​

        • ​特点：支持回溯、捕获组、零宽断言等高级功能，但存在性能风险
        • ​匹配流程：
          1. 从起始位置尝试匹配
          2. 记录所有可能的分支（回溯点）
          3. 失败时退回最近回溯点继续尝试
          4. 直到匹配成功或完全失败

          2. ​DFA引擎

          • ​特点：无回溯，线性时间复杂度，但功能受限（不支持分组引用）
          • ​流程：一次性扫描文本，无状态回退

            ---

            三、关键应用场景与解决方案

            1. ​数据验证（精准匹配）​

            • ​邮箱验证

              ^[\w\.-]+@([\w-]+\.)+[\w-]{2,4}$  

              • ^ 和 $ 确保整行匹配
              • [\w\.-]+ 允许用户名包含字母、数字、点、减号
              • ([\w-]+\.)+ 匹配多级域名（如 "mail." 或 "google.com."）
              • [\w-]{2,4} 匹配顶级域名（如 com、org）

              • ​强密码规则

                ^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,}$  

                • (?=.*\d)：正向预查确保包含数字
                • (?=.*[a-z])：必须有小写字母
                • (?=.*[A-Z])：必须有大写字母
                • .{8,}：总长度至少8位

                  2. ​数据提取（捕获关键信息）​

                  • ​从URL提取域名和路径

                    ^https?://([^/?#]+)([^?#]*)  

                    • 分组1 ([^/?#]+) 捕获域名（如 www.example.com）
                    • 分组2 ([^?#]*) 捕获路径（如 /path/to/page）

                    • ​日志时间戳提取

                      \d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}

                      • 精确匹配 YYYY-MM-DD HH:MM:SS 格式

                        3. ​文本清洗与替换

                        • ​删除HTML标签

                          ]+>  

                          • 匹配所有以  结尾的内容
                          • 使用 re.sub(r']+>', '', html) 替换为空

                          • ​格式化电话号码

                            输入：1234567890 → 输出：(123) 456-7890

                            
                            （图片来源网络，侵删）

                            re.sub(r'(\d{3})(\d{3})(\d{4})', r'(\1) \2-\3', phone)

                            ---

                            四、性能优化与避坑指南

                            1. ​避免灾难性回溯

                            • ​危险模式：(a+)+ 或 .*.*（嵌套量词导致指数级复杂度）
                            • ​优化方法：
                              • 用具体字符代替 .*（如 \d+ 代替 .*）
                              • 使用原子分组 (?>...)（部分引擎支持）
                              • 添加锚点限制范围（如 ^...$）

                                2. ​贪婪与非贪婪选择

                                • ​贪婪模式​（默认）：.* 匹配尽可能多内容

                                  .* → 可能跨多个标签错误匹配

                                • ​非贪婪模式：.*? 匹配最短结果

                                  .*? → 精确匹配单个标签内容

                                  3. ​预编译与复用

                                  # 预编译提升性能（适用于频繁调用场景）
                                  pattern = re.compile(r'\d{3}-\d{4}')
                                  pattern.findall('Tel: 123-4567')

                                  ---

                                  五、进阶技巧

                                  1. ​零宽断言（Lookaround）​

                                  • (?=...)：正向先行断言（右侧必须满足条件）

                                    \d+(?=px) → 匹配 "100px" 中的 "100"

                                  • (?