正则表达式入门：5 分钟学会文本处理的瑞士军刀

📋 全文概况：正则表达式是编程中处理文本的强大工具，可以帮助你高效地匹配、查找和替换文本。本文将带你快速入门正则表达式，通过 Python 代码示例和实际案例，让你在 5 分钟内掌握基本用法，避免常见的坑。无论你是初学者还是有一定经验的开发者，这篇文章都能帮你快速上手。

正则表达式是编程中的瑞士军刀，尤其在文本处理方面，能够帮助你高效地完成各种任务。今天，我来分享一些入门知识，让你在 5 分钟内快速掌握正则表达式的基本用法。无论你是刚刚接触编程的新人，还是有一定经验的开发者，这篇文章都能帮到你。

什么是正则表达式？

正则表达式（Regular Expression，简称 Regex）是一种特殊的文本字符串，用于描述搜索模式。简单来说，它就是一种用来匹配、查找和替换文本的规则。正则表达式在编程中的应用非常广泛，特别是在文本处理、数据提取和验证等方面。

举个例子，假设你有一个包含大量电子邮件地址的文本文件，需要提取所有的电子邮件地址。手动查找显然是不可能的，而正则表达式可以轻松帮你完成这个任务。下面是一个简单的正则表达式示例：

import re

text = "Contact us at support@example.com or sales@example.com."
emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z]{2,}\b', text, re.IGNORECASE)
print(emails)  # 输出: ['support@example.com', 'sales@example.com']

这段代码中，我们使用了 re.findall 函数，通过正则表达式匹配并提取了所有的电子邮件地址。是不是很简单？

正则表达式的基本语法

正则表达式的语法虽然复杂，但基础的部分并不难。下面是一些常用的正则表达式符号及其含义：

.：匹配任何单个字符（除了换行符）
*：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
^：匹配字符串的开始位置
$：匹配字符串的结束位置
[]：匹配括号内的任意一个字符
[^]：匹配不在括号内的任意一个字符
|：匹配左右任意一个表达式
()：捕获匹配的子字符串

这些符号是正则表达式的基础，掌握它们，你就可以写出简单的正则表达式了。当然，正则表达式的强大之处在于它的组合能力和灵活性。

正则表达式的实际应用案例

去年，我帮朋友处理一个网站的日志文件，里面包含了大量的用户访问记录。我们需要提取出所有访问特定页面的用户 IP 地址。如果你手动去做，可能会疯掉，而正则表达式则可以轻松搞定。

import re

log = """
192.168.1.1 - - [12/Oct/2023:13:55:36 +0000] "GET /index.html HTTP/1.1" 200 2326
192.168.1.2 - - [12/Oct/2023:13:55:37 +0000] "GET /about.html HTTP/1.1" 200 1875
192.168.1.3 - - [12/Oct/2023:13:55:38 +0000] "GET /contact.html HTTP/1.1" 200 1234
"""

# 提取所有访问 /contact.html 的用户 IP 地址
ips = re.findall(r'(\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}) - - .*/contact.html', log)
print(ips)  # 输出: ['192.168.1.3']

在这个例子中，我使用了 \d{1,3} 来匹配 1 到 3 位的数字，\. 来匹配点号，.* 来匹配任意字符。最终，我们成功提取了所有访问 /contact.html 页面的用户 IP 地址。

再举一个例子，假设你在处理用户输入的电话号码，需要验证输入的格式是否正确。正则表达式可以帮你轻松实现这一点。

import re

def validate_phone_number(phone_number):
    pattern = r'^\+?\d{1,4}?[-.\s]?\(?\d{1,3}?\)?[-.\s]?\d{1,4}[-.\s]?\d{1,4}[-.\s]?\d{1,9}$'
    if re.match(pattern, phone_number):
        return True
    else:
        return False

phone_numbers = ["+1 (123) 456-7890", "123-456-7890", "123 456 7890", "1234567890", "123-456-7890123"]
for number in phone_numbers:
    print(f"{number}: {validate_phone_number(number)}")

这段代码中，我使用了一个复杂的正则表达式来匹配多种电话号码格式，包括国际区号、括号和分隔符。通过 re.match 函数，我们验证了每个电话号码是否符合预期的格式。

正则表达式的常见坑和解决方法

虽然正则表达式功能强大，但初学者很容易踩坑。下面是我总结的一些常见问题及其解决方法：

问题 1：正则表达式太复杂，难以理解。
解决方法：从简单的正则表达式开始，逐步增加复杂度。可以借助在线工具，如 Regex101，进行调试和学习。
问题 2：正则表达式匹配不准确。
解决方法：仔细检查正则表达式的每一个部分，确保没有遗漏。可以使用 re.findall 或 re.search 函数来测试匹配结果。
问题 3：性能问题，正则表达式太慢。
解决方法：优化正则表达式，避免使用过多的 .* 和 .*?。可以考虑使用编译后的正则表达式来提高性能。