正则表达式详解:模式、分组与真实示例

正则表达式看起来像键盘乱码——\d{3}-\d{4}——但它其实是一门描述文本的小语言。学习它的基本构件、引擎实际如何匹配,以及值得记住的常用模式。

📂 开发者必备 ⏱ 约 14 分钟 📶 中级 🛠️ 搭配工具:Regex 测试器

你将学到什么

  • 大声读出一个正则,说出它匹配什么
  • 自信地使用字符类、量词、锚点和分组
  • 知道贪婪匹配什么时候会出问题——以及懒惰匹配如何解决它
  • 为邮箱、日期、电话号码和日志行编写模式
  • 认出那些会让程序卡死的模式(灾难性回溯)
本指南目录
  1. 什么是正则表达式
  2. 基本组成部分
  3. 引擎实际如何匹配:贪婪、懒惰与回溯
  4. 值得记住的模式
  5. 标志:改变一切的开关
  6. 常见错误
  7. 试一试:Regex 测试器
  8. 常见问题

什么是正则表达式

A 正则表达式 (regex)是一种描述一组字符串的模式。你不用写“逐个字符检查”的代码,而是写一段紧凑的描述—— \d{3}-\d{4} ——然后问:这段文本里有没有长这样的东西?

正则无处不在:在编辑器里搜索、验证表单、批量重命名一千个文件、解析日志、在页面中高亮匹配项。它本身不是一门编程语言,但几乎每种语言都内嵌了相同的核心语法——学一次,从 JavaScript 到 Python 再到命令行都能用。

问题在于可读性。正则出了名的“只写不读”:你上个月写的模式,今天看起来可能像乱码。解决办法不是不用正则,而是用小的、起好名字的片段来构建模式,并且加以测试——这正是本指南和配套测试器的用途。

基本组成部分

几乎每个模式都是由这些片段组装而成的:

组成部分含义示例
abc字面字符匹配 abc (完全一致)
.任意单个字符(换行符除外)a.c 匹配 abc, a-c
\d \w \s数字、单词字符、空白字符\d 匹配 7
\D \W \S相反的意思(非数字,等等)\D 匹配 a
[abc] [a-z] [^0-9]字符类 / 否定字符类[aeiou] 匹配一个元音
* + ? {n} {n,m}量词:0 个以上、1 个以上、0 或 1 个、恰好 n 个、n 到 m 个\d{3} 匹配三个数字
^ $ \b锚点:开头、结尾、单词边界^cat 只在开头处匹配
( ) (?: ) (?<name> )捕获组、非捕获组、命名组(\d+)-(\d+) 捕获两个数字
|二选一(或)cat|dog 匹配其中任意一个
\转义:让特殊字符变成字面字符\. 匹配一个真正的点

有两个片段导致了大多数新手错误。首先, . 很特殊——要匹配一个真正的点,比如在 example.com 中,你必须写 example\.com,否则你的模式还会匹配 exampleXcom。其次,字符类 [.] 在方括号里不需要转义——大多数字符在里面都会失去特殊含义。

引擎实际如何匹配:贪婪、懒惰与回溯

正则引擎从左到右读取你的模式,一步一步尝试匹配。当它遇到像这样的量词时 .* 它是 贪婪的 (默认如此):它会尽可能多地抓取,然后一个字符一个字符地还回去,直到模式的其余部分能匹配上。这个不断尝试、失败、回吐的过程就叫 回溯.

<p>first</p> <p>second</p>
Pattern: <p>.*</p>      → matches the WHOLE line (greedy)
Pattern: <p>.*?</p>     → matches <p>first</p> only (lazy)

加上 ? 放在量词后面,就会让它变成 懒惰的:尽可能少地匹配。贪婪模式适合“一直匹配到结尾”;懒惰模式适合“匹配到下一个闭合标签”。选错是导致模式匹配得过多(或过少)的最常见原因。

灾难性回溯。 像这样的模式 (a+)+$ 作用在一个很长的全是 a 的字符串上,实际上可能永远跑不完:引擎会尝试指数级数量的切分方式。规则是:永远不要在重叠的选择上嵌套量词,并且优先用具体的模式([^<]*)而不是模糊的模式(.*)放在重复的组里。

值得记住的模式

把这些当作起点——在上线之前,先用你的真实数据逐个测试:

# A simple email check (good enough for a form hint, not proof)
\b[\w.+-]+@[\w-]+\.[\w.]+\b

# Date: YYYY-MM-DD
^\d{4}-\d{2}-\d{2}$

# North American phone number, flexible separators
^\+?1?[-. ]?\(?\d{3}\)?[-. ]?\d{3}[-. ]?\d{4}$

# A word, with its position: capture the username from user@host
^(?<user>[\w.+-]+)@(?<host>[\w-]+\.[\w.]+)$

# Lines starting with ERROR in a log file (multiline flag m)
^ERROR: (.*)$

注意:这里的邮箱模式是故意写得不完美的:邮箱地址的真实标准非常复杂,一个能匹配“所有合法邮箱”的正则要写几百个字符,而且仍然是错的。专业的做法是做一个简单的合理性检查,再实际发一封确认邮件。

标志:改变一切的开关

标志效果
g全局——找出所有匹配,而不只是第一个
i不区分大小写—— cat 匹配 CAT
m多行模式—— ^ 和 $ 在每行的开头/结尾处匹配
s点号匹配所有字符—— . 也能匹配换行符
uUnicode 模式——正确处理 emoji 和增补平面字符

这里的 m 标志最容易让人吃惊:没有它, ^ERROR 只在整段文本的最开头匹配,而不会在日志文件的每一行开头匹配。如果你的模式在单行上能用、在文件上却不行,缺失的 m 就是首先要检查的东西。

常见错误

  • 用 .* ,而你其实想用 [^<]* 或者 \S+. 模糊的模式会回溯、过度匹配;具体的模式更快、更安全。
  • 忘记转义 ., (, + 在字面文本中。 file.txt 作为模式使用时,还会匹配 fileatxt.
  • 用一个巨大的正则来验证邮箱。 先做个简单检查,再通过发邮件验证。
  • 用正则解析 HTML 或嵌套结构。 HTML 不是正则语言——解析器才是正确的工具,正则会在第一个嵌套标签处就出问题。
  • 像这样的嵌套量词 (a+)+ 或者 (.*)*. 经典的卡死案例。用一个针对精确字符类的量词重写。
  • 忘了加 g 标志。 在很多工具里,除非你要求返回全部,否则只返回第一个匹配。

试一试:Regex 测试器

本指南中的每个模式都可以测试:把它粘贴到 Regex Tester 里,在下面输入你自己的文本,实时看匹配高亮显示——每个捕获组都会列出来。

打开 Regex 测试器 →

继续学习

常见问题

我应该学哪种正则“方言”?

核心语法几乎到处都一样。JavaScript、Python、Java 和 Go 在上表的基本用法上是一致的;它们只在边缘处有差异(后行断言、命名组的语法、Unicode 处理)。先学核心,再查你所用语言的文档了解边缘差异——并在 Regex Tester 里测试,它使用你浏览器的 JavaScript 引擎。

什么是捕获组?为什么要用它?

括号有两个作用:把模式的一部分编成一组,并且默认还会捕获它匹配到的内容,方便你复用——比如用 $3/$2/$1 这样的替换式把 2026-11-21 变成 21/11/2026。如果只需要分组、不想要捕获,就用 (?:…)。

为什么我的正则很慢,或者会卡住页面?

几乎总是灾难性回溯:在重叠的选择上嵌套了量词,又碰上很长的输入。简化模式,把 .* 换成否定字符类,或者加一个锚点,让引擎快速失败,而不是尝试每一种切分。

* 和 + 有什么区别?

* 的意思是“零个或多个”——这一部分可以完全不出现。+ 的意思是“一个或多个”——至少要出现一次。\d* 能匹配空字符串,\d+ 不能。这一字之差,常常导致模式在不该匹配的时候匹配上了。

正则能正确验证邮箱地址吗?

没有一个实用的正则能覆盖完整的标准——带引号的字符串、注释和不寻常的域名会让它长得离谱。短模式加一封确认邮件才是专业答案;正则只是个拼写检查器,不是证明。