正则表达式（Regular Expression，简称 regex 或 regexp）是编程中一种强大的文本处理工具，它允许开发者定义复杂的文本模式，以进行字符串搜索、替换、验证和提取等操作。掌握正则表达式，能显著提高编程效率。本文将详细介绍正则表达式的基础语法，并通过实际应用案例来加深理解。
第一部分：正则表达式基础
1. 什么是正则表达式？
正则表达式是一种用于描述字符串结构的模式，它能够匹配一系列符合特定规则的字符串。正则表达式通常用于文本搜索、数据验证、数据清洗等场景。
2. 正则表达式的组成
正则表达式由普通字符和特殊字符组成。普通字符指的是普通的字母、数字和符号，而特殊字符则具有特定的意义。
3. 正则表达式的执行过程
当使用正则表达式进行匹配时，它会按照一定的顺序进行：
- 从左到右扫描字符串。
- 尝试匹配最左边的字符。
- 如果匹配失败，则尝试更复杂的模式。
第二部分：常用正则表达式元字符
1. 点号（.）
点号（.）用于匹配除换行符以外的任意单个字符。
import re
text = "Hello, world!"
pattern = "H.llo"
result = re.match(pattern, text)
print(result.group()) # 输出：Hello
2. 星号（*）
星号（*）表示匹配前面的子表达式零次或多次。
text = "abc"
pattern = "a*c"
result = re.match(pattern, text)
print(result.group()) # 输出：ac
3. 加号（+）
加号（+）表示匹配前面的子表达式一次或多次。
text = "abc"
pattern = "a+c"
result = re.match(pattern, text)
print(result.group()) # 输出：ac
4. 问号（?）
问号（?）表示匹配前面的子表达式零次或一次。
text = "abc"
pattern = "a?bc"
result = re.match(pattern, text)
print(result.group()) # 输出：abc 或 bc
5. 花括号（{}）
花括号（{}）用于限定匹配的次数。
text = "abc"
pattern = "a{2}c"
result = re.match(pattern, text)
print(result.group()) # 输出：acc
6. 方括号（[]）
方括号（[]）用于匹配一组字符中的任意一个。
text = "abc"
pattern = "[abc]{2}"
result = re.match(pattern, text)
print(result.group()) # 输出：ab 或 bc 或 ca
7. 脱字符（^）
脱字符（^）表示匹配输入字符串的开始位置。
text = "Hello, world!"
pattern = "^Hello"
result = re.match(pattern, text)
print(result.group()) # 输出：Hello
8. 美元符号（$）
美元符号（$）表示匹配输入字符串的结束位置。
text = "Hello, world!"
pattern = "world$"
result = re.match(pattern, text)
print(result.group()) # 输出：world
第三部分：高级正则表达式技巧
1. 捕获组
捕获组允许你将正则表达式中的部分匹配提取出来。
text = "The answer is 42."
pattern = "(\\d+)"
result = re.findall(pattern, text)
print(result) # 输出：['42']
2. 反向引用
反向引用允许你在替换操作中引用捕获组的内容。
text = "The answer is 42."
pattern = "(\\d+)"
result = re.sub(pattern, r"Answer is \1", text)
print(result) # 输出：The answer is Answer is 42.
3. 非捕获组
非捕获组允许你使用分组功能而不保存匹配的子串。
text = "The answer is 42."
pattern = "(?<!\\d)\\d+"
result = re.findall(pattern, text)
print(result) # 输出：['42']
4. 前瞻断言与后瞻断言
前瞻断言和后瞻断言用于匹配某些位置上的模式，而不包括模式本身。
text = "abc123"
pattern = "(abc)(?!123)"
result = re.findall(pattern, text)
print(result) # 输出：['abc']
5. 贪婪与非贪婪模式
贪婪模式会匹配尽可能多的字符，而非贪婪模式则会匹配尽可能少的字符。
text = "The answer is 42."
pattern = "a+n"
result = re.findall(pattern, text)
print(result) # 输出：['answer']
第四部分：正则表达式实战案例
1. 电子邮件地址验证
text = "user@example.com"
pattern = "^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$"
result = re.match(pattern, text)
print(result.group() if result else "Invalid email address") # 输出：user@example.com 或 Invalid email address
2. 电话号码提取
text = "My phone number is 123-456-7890."
pattern = "\d{3}-\d{3}-\d{4}"
result = re.findall(pattern, text)
print(result) # 输出：['123-456-7890']
3. HTML标签清理
text = "<html><body>Hello, world!</body></html>"
pattern = "<[^>]*>"
result = re.sub(pattern, "", text)
print(result) # 输出：Hello, world!
第五部分：常见错误与陷阱
1. 忘记转义特殊字符
在正则表达式中，特殊字符需要使用反斜杠（\）进行转义。
text = "Hello, world!"
pattern = "H\.\llo"
result = re.match(pattern, text)
print(result.group()) # 输出：Hello
2. 误用量词导致的性能问题
在使用量词时，需要注意避免过度匹配，以免降低正则表达式的性能。
text = "The answer is 42."
pattern = "a+n"
result = re.findall(pattern, text)
print(result) # 输出：['answer']
3. 忽略字符编码问题
在处理文本时，需要确保正则表达式与文本的编码方式一致，以免出现匹配错误。
text = "The answer is 42."
pattern = "a+n"
result = re.findall(pattern, text.encode("utf-8").decode("utf-8"))
print(result) # 输出：['answer']
通过以上内容，相信读者已经对正则表达式有了更深入的了解。掌握正则表达式，将为你的编程之路带来更多便利。