正则表达式：强大的文本匹配与处理工具
正则表达式（Regular Expression，简称 regex）是一种用于定义搜索模式的字符串，用于匹配和处理文本。它广泛应用于数据清洗、文本分析、日志分析等场景。本文将介绍正则表达式的基本语法和一些常见应用场景，帮助你入门并理解其强大之处。
一、正则表达式的基本语法
正则表达式的语法主要分为字符、量词、字符类、分组与反向引用等，了解这些基础概念是使用正则表达式的第一步。
1. 字符
字符是正则表达式的基本构成单位。大多数字符在正则表达式中匹配它们本身，但也有一些特殊字符具有特定功能：
.：匹配任意单个字符（不包括换行符）。^：匹配行的开始。$：匹配行的结束。\：用于转义特殊字符，使其按字符本身匹配。
示例：a.b 可以匹配 aab、acb、a1b 等中间为任意字符的字符串。
2. 量词
量词用于指定前一个字符或子表达式的出现次数：
*：匹配零次或多次。+：匹配一次或多次。?：匹配零次或一次。{n}：匹配恰好 n 次。{n,}：匹配至少 n 次。{n,m}：匹配 n 到 m 次。
示例：a{2,4} 可以匹配 aa、aaa、aaaa。
3. 字符类
字符类用于定义匹配字符的范围或类型，通常使用方括号 [] 定义：
[abc]：匹配a、b或c中任意一个字符。[a-z]：匹配小写字母 a 到 z 的任意一个字符。[^abc]：匹配不是a、b或c的任意字符。\d：匹配数字，等价于[0-9]。\w：匹配字母、数字或下划线，等价于[a-zA-Z0-9_]。\s：匹配空白字符（包括空格、制表符等）。
4. 分组与反向引用
分组是用圆括号 () 包围子表达式，它们允许将多个字符视为一个整体：
(abc)：匹配abc。(ab|cd)：匹配ab或cd。\1、\2等反向引用可以在同一表达式中引用之前匹配的分组。
示例：(ab)\1 可以匹配 abab。
二、常见的正则表达式实例
1. 验证电子邮件格式
正则表达式示例：^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
解释：
^[a-zA-Z0-9._%+-]+：以字母、数字或特殊字符开头。@[a-zA-Z0-9.-]+：后面必须有@符号，接着是域名。\.[a-zA-Z]{2,}$：域名后面必须有.，后接两个或更多字母。
2. 验证电话号码
正则表达式示例：^\+?[0-9]{1,3}?[-.●]?[0-9]{1,4}[-.●]?[0-9]{1,4}[-.●]?[0-9]{1,9}$
解释：
^\+?：电话号码可以以+开头（国家代码）。[0-9]{1,3}?：国家代码后接 1-3 位数字。[-.●]?：可选分隔符。- 最后通过多个分段支持电话号码的不同格式（如
123-456-7890或+123 456 7890）。
3. 匹配日期格式（如 YYYY-MM-DD）
正则表达式示例：^\d{4}-(0[1-9]|1[0-2])-(0[1-9]|[12][0-9]|3[01])$
解释：
\d{4}：年份为四位数字。(0[1-9]|1[0-2])：月份为01到12。(0[1-9]|[12][0-9]|3[01])：日期为01到31。
三、正则表达式的实际应用
1. 文本清洗与预处理
正则表达式在数据清洗和预处理中非常实用。例如，清理多余空格、去除HTML标签等：
- 去除多余空格：
^\s+|\s+$ - 去除HTML标签：
<[^>]*>
2. 日志分析
日志文件通常包含大量信息，使用正则表达式可以快速提取 IP 地址、时间戳等关键信息：
import relog = "127.0.0.1 - - [24/Oct/2024:09:54:36] 'GET / HTTP/1.1' 200"
pattern = r"\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}"
match = re.findall(pattern, log)
print(match) # 输出 IP 地址
3. 复杂文本提取
在网络爬虫和 NLP 任务中，经常需要从复杂文本中提取特定内容。正则表达式的分组和字符类能够灵活匹配不同的数据模式。
四、正则表达式工具
一些在线工具可以帮助理解和测试正则表达式：
- Regex101：提供正则表达式的解释功能。
- RegExr：支持可视化测试和调试。
五、总结
正则表达式是一种强大而灵活的文本匹配工具。尽管其语法复杂，但通过学习常用的字符、量词和字符类，掌握正则表达式可以为数据处理和分析带来极大的效率提升。