正则表达式学习笔记

1. 资源链接

• https://regex101.com/(很好用的测试正则表达式的工具)
• www.debuggex.com
• AI-Powered Regex Solver
• 10 分钟快速掌握正则表达式_哔哩哔哩_bilibili(入门学习视频)

2.主要内容

1. 元字符（Metacharacters）

元字符是正则表达式中具有特殊含义的字符，匹配特定的字符类型或位置。以下是一些常用的元字符：

• .: 匹配任意单个字符（换行符除外）。
• ^: 匹配字符串的开始。
• $: 匹配字符串的结束。
• *: 匹配前面的字符 0 次或多次。
• +: 匹配前面的字符 1 次或多次。
• ?: 匹配前面的字符 0 次或 1 次。
• {n}: 精确匹配前面的字符 n 次。
• {n,}: 匹配前面的字符至少 n 次。
• {n,m}: 匹配前面的字符至少 n 次，至多 m 次。
• []: 匹配方括号内的任意一个字符，例如 [abc] 匹配 a、b 或 c。
• |: 或运算符，匹配符号两边的任意一个模式，例如 a|b 匹配 a 或 b。
• (): 捕获组，用于提取匹配的子串或在模式中应用量词。
• \: 转义字符，用于匹配元字符本身或特殊的转义序列。

1.1 限定符 (Quantifier)

限定符用于指定前面的字符或表达式在目标字符串中出现的次数。

• *: 匹配前面的字符 0 次或多次。
• +: 匹配前面的字符 1 次或多次。
• ?: 匹配前面的字符 0 次或 1 次。
• {n}: 精确匹配 n 次。
• {n,}: 至少匹配 n 次。
• {n,m}: 匹配 n 到 m 次。

例如:

• a*: 匹配 a 出现 0 次或多次。例如，"aaa" 或 "" 都可以匹配。
• a+: 匹配 a 出现 1 次或多次。例如，"a" 或 "aaa" 可以匹配，但 "" 无法匹配。
• a?: 匹配 a 出现 0 次或 1 次。例如，"a" 或 "" 可以匹配，但 "aa" 无法匹配。
• a{6}: 匹配 a 精确出现 6 次。例如，"aaaaaa" 可以匹配。
• a{2,6}: 匹配 a 出现 2 到 6 次之间。例如，"aa"、"aaa"、"aaaaaa" 可以匹配。
• a{2,}: 匹配 a 出现至少 2 次。例如，"aa" 或 "aaaaaa" 可以匹配。

1.2 或运算符 (OR Operator)

或运算符用于在正则表达式中创建多个可选项。

• (a|b): 匹配 a 或 b 中的任意一个。例如，"a" 或 "b" 可以匹配。
• (ab)|(cd): 匹配 ab 或 cd 之一。例如，"ab" 或 "cd" 可以匹配。

1.3 字符类 (Character Classes)

字符类用于匹配一组字符中的任意一个。

• [abc]: 匹配 a、b 或 c 中的任意一个字符。
• [a-c]: 匹配 a 到 c 之间的任意一个字符，这种形式用于表示字符的范围。
• [a-fA-F0-9]: 匹配小写字母 a 到 f、大写字母 A 到 F 以及数字 0 到 9。这通常用于匹配十六进制数字。
• [^0-9]: 匹配非数字字符。^ 在字符类中表示取反。

1.4 贪婪/懒惰匹配 (Greedy / Lazy Match)

贪婪匹配和懒惰匹配用于控制量词的行为：

• 默认情况下，量词是贪婪的，这意味着它会尽可能多地匹配字符。例如，<.+> 会匹配尽可能多的字符。
• 使用 ? 使量词变为懒惰匹配，这样它会尽可能少地匹配字符。例如，<.+?> 会匹配尽可能少的字符。

2. 常见转义序列

• \d: 匹配任何一个数字，相当于 [0-9]。
• \D: 匹配任何一个非数字字符。
• \w: 匹配任何一个字母、数字或下划线，相当于 [a-zA-Z0-9_]。
• \W: 匹配任何一个非字母、数字或下划线的字符。
• \s: 匹配任何一个空白字符（空格、制表符、换行符等）。
• \S: 匹配任何一个非空白字符。

3. 边界匹配

• ^: 匹配字符串的开始。例如 ^Hello 匹配以 Hello 开头的字符串。
• $: 匹配字符串的结束。例如 world$ 匹配以 world 结尾的字符串。
• \b: 匹配单词边界。例如 \bword\b 匹配完整的单词 word。

图片中显示的内容包括了一些正则表达式的核心概念和操作符，以下是这些概念的详细讲解：

4. 捕获组和非捕获组

捕获组用于提取匹配到的子字符串：

• (abc): 匹配 abc 并捕获该匹配结果。
• (?:abc): 匹配 abc 但不捕获该匹配结果（非捕获组）。

捕获组在正则表达式中非常有用，特别是在匹配并提取子字符串时。

5. 零宽断言（Lookahead and Lookbehind）

零宽断言用于匹配位置，而不是匹配字符，它们不会消耗字符。

• (?=pattern): 正向先行断言，匹配某个模式前的位置。
• (?!pattern): 负向先行断言，匹配某个模式前不存在的位置。
• (?<=pattern): 正向后行断言，匹配某个模式后的位置。
• (?<!pattern): 负向后行断言，匹配某个模式后不存在的位置。

图片中显示的内容包括了一些正则表达式的核心概念和操作符，以下是这些概念的详细讲解：

3. 应用场景

• 匹配字符串: 通过正则表达式查找、验证特定的字符串模式。
• 提取信息: 使用捕获组从字符串中提取特定的信息。
• 文本替换: 使用正则表达式替换文本中的某些部分。
• 数据验证: 验证用户输入的数据格式是否正确，例如验证电子邮件、电话号码等。

4. 示例和实践

示例 1：匹配电子邮件地址

import re

email = "contact@example.com"
pattern = r'[\w\.-]+@[\w\.-]+'
match = re.match(pattern, email)

if match:
    print("Valid email address:", match.group())
else:
    print("Invalid email address")

示例 2：提取文本中的日期

import re

text = "Today's date is 2024-08-23."
pattern = r'\d{4}-\d{2}-\d{2}'
date = re.search(pattern, text)

if date:
    print("Found date:", date.group())
else:
    print("No date found")

示例 3：替换文本中的敏感信息

import re

text = "My credit card number is 1234-5678-9876-5432."
pattern = r'\d{4}-\d{4}-\d{4}-\d{4}'
safe_text = re.sub(pattern, "****-****-****-****", text)

print("Safe text:", safe_text)

示例 4：匹配 IPv6 地址

import re

# 示例中的IPv6地址
ipv6_address = "2001:0db8:85a3:0000:0000:8a2e:0370:7334"

# 匹配IPv6地址的正则表达式模式
pattern = r'([0-9a-fA-F]{1,4}:){7}([0-9a-fA-F]{1,4})'

match = re.match(pattern, ipv6_address)

if match:
    print("Valid IPv6 address:", match.group())
else:
    print("Invalid IPv6 address")

• [0-9a-fA-F]{1,4}: 匹配 1 到 4 个十六进制数字（0-9，a-f，A-F）。
• :: 匹配冒号分隔符。
• ([0-9a-fA-F]{1,4}:){7}: 匹配 7 组由冒号分隔的 1 到 4 个十六进制数字。
• ([0-9a-fA-F]{1,4}): 匹配最后一组 1 到 4 个十六进制数字。

扩展：

IPv6 地址的表示形式可能会有所不同，比如可以使用缩略表示法（双冒号::），这种情况下，正则表达式会更复杂。如果要匹配完整的 IPv6 地址（包括可能的缩略表示），可以参考更复杂的模式，如：

pattern = r'(([0-9a-fA-F]{1,4}:){7}([0-9a-fA-F]{1,4})|([0-9a-fA-F]{1,4}:){1,7}:|([0-9a-fA-F]{1,4}){1,7})'

这个正则表达式考虑了 IPv6 地址中的缩写形式，但实现起来比较复杂，通常可以借助专门的库来解析和验证 IPv6 地址。