正则表达式完全指南：从入门到实战

前言

正则表达式（Regular Expression，简称 Regex）是程序员手中最强大的文本处理工具之一。它像是一把精密的“手术刀”，能从杂乱无章的字符串中精准地提取、替换或验证数据。

然而，正则的语法往往晦涩难懂。本文将结合关于“贪婪模式”和“捕获组”的疑问，由浅入深地拆解正则的核心逻辑。

---

一、 核心概念：正则到底是什么？

简单来说，正则表达式就是一种描述字符串特征的语言。

• 普通字符串："abc" —— 只能匹配 "abc" 这三个字母。
• 正则表达式：\d{3}-\w+ —— 匹配“3个数字”、“一个横杠”、“任意多个单词字符”。

💡 Tip：写正则时，不要想着“我要找哪个词”，而要想着“我要找的这个词长什么样”。

---

二、 基础语法：构建匹配的积木

1. 元字符（Metacharacters）

元字符是正则中的特殊符号，它们不代表字面意思，而是代表一类字符。

符号	含义	示例	匹配内容
.	任意字符（除换行符）	a.c	abc, a1c, a c
\d	数字 (digit)	\d\d	12, 99
\w	单词字符 (word)	\w+	hello, user_1
\s	空白字符 (space)	a\sb	a b, a↹b
^	开头	^Hello	Hello world (首词)
$	结尾	end$	The end (尾词)

2. 量词（Quantifiers）：控制出现的次数

量词决定了前面的字符要出现多少次。

符号	含义	示例
*	0次或多次	ab*c → ac, abc, abbc
+	1次或多次	ab+c → abc, abbc (不匹配 ac)
?	0次或1次	ab?c → ac, abc
{n}	恰好 n 次	\d{3} → 123
{n,m}	n 到 m 次	\d{2,4} → 12, 123, 1234

---

三、 进阶核心：贪婪与非贪婪（痛点）

这是正则中最容易踩坑的地方之一。

1. 贪婪模式

默认行为。正则引擎会尽可能多地匹配字符，“吃掉”所有内容，如果不满足后续条件再吐出来（回溯）。

• 写法：.*, .+, \d+
• 场景：匹配整行内容，或者确定没有嵌套结构时。

2. 非贪婪/懒惰模式

加上 ? 。正则引擎会尽可能少地匹配字符，一旦满足后续条件立即停止。

• 写法：.*?, .+?, \d+?
• 场景：HTML标签提取、成对符号之间的内容提取。

实战对比

假设文本为：<div>标题1</div><div>标题2</div>

• 贪婪 <div>.*</div> ：

  • 结果：<div>标题1</div><div>标题2</div>
  • 原因：第一个 .* 一口气吞到了最后一个 </div>。

• 非贪婪 <div>.*?</div> ：

  • 结果：<div>标题1</div>
  • 原因：.*? 遇到第一个 </div> 就停下了。

---

四、 数据提取：分组与捕获

匹配只是第一步，把数据“扣”出来才是目的。

1. 捕获组 ()

括号不仅改变优先级，还会将匹配到的内容保存下来。

const str = "2023-10-05";
const reg = /(\d{4})-(\d{2})-(\d{2})/;
// $1 = 2023, $2 = 10, $3 = 05

2. 非捕获组 (?:)

如果你只需要括号来改变优先级（比如配合 |），但不需要保存内容，使用 ?: 可以节省内存并提高速度。

// 匹配 http 或 https，但不需要单独提取协议头
/(?:https?)://www/

3. 命名捕获组 (?<name>)

现代语言（JS ES2018+, Python, Java）支持给组起名字，代码可读性极大提升。

const reg = /(?<year>\d{4})-(?<month>\d{2})/;
// 结果.groups.year -> "2023"

---

五、 高级技巧：断言（Assertions）

断言只判断位置，不消耗字符（不占宽度）。

名称	符号	含义	示例
正向先行	(?=...)	后面必须是...	Windows(?=10) 匹配 Windows 10 中的 Windows
负向先行	(?!...)	后面不能是...	Windows(?!10) 匹配 Windows 7 中的 Windows
正向后行	(?<=...)	前面必须是...	(?<=$)\d+ 匹配 $100 中的 100
负向后行	(?<!...)	前面不能是...	(?<!$)\d+ 匹配不带$的数字

---

六、 避坑指南与最佳实践

1. HTML解析慎用正则：虽然正则能处理简单的 HTML，但面对复杂的嵌套、属性乱序时极其脆弱。生产环境建议使用 DOM 解析器（如 Cheerio, BeautifulSoup）。
2. 性能陷阱：避免在量词中嵌套量词，如 (a+)+，这会导致灾难性回溯，让程序卡死。
3. 开启多行模式：在处理多行文本块时，记得加 m 标志（让 ^ 和 $ 匹配每一行的首尾）或 s 标志（让 . 匹配换行符）。
4. 善用工具：不要盲写。使用 Regex101 或 VS Code 的正则搜索功能实时调试。

---

七、 总结

掌握正则的三个阶段：

1. 入门：理解 \d, \w, . 和基本量词。
2. 熟练：深刻理解贪婪与非贪婪的区别，熟练使用捕获组提取数据。
3. 精通：掌握断言处理复杂逻辑，了解引擎回溯原理以优化性能。

正则表达式是一门“写时痛苦，用时爽快”的技能。希望这篇文章能帮你初步认识正则表达式！

---