正则表达式是用来描述和匹配文本模式的工具。通过学习字符类、量词、锚点、分组与环视等概念，并结合常见实例（邮箱、手机号、URL、提取替换等），你可以用一套可移植的思路在多种语言和工具中高效处理文本。本文以通俗、一步步带你上手的方式讲解要点、常见陷阱和实战片段，边写边想，带点真实的注解和可立即复用的正则片段。
为什么要学正则表达式
简单说，正则表达式能把“复杂的文本处理变成模式匹配”的工作。你会发现很多重复、琐碎或容易出错的文本任务——比如日志筛选、表单校验、批量替换——用正则都能写得简洁而可靠。当然，学会正则不仅是记住符号，更重要的是学会用“模式思维”去拆解问题。
先把基本概念弄清楚
先像学一门语言那样把基础词汇记住，然后通过例子把它们串起来。
字符与字面量
最直观的就是字面量匹配：abc 就是匹配字符序列 abc。若要匹配元字符（比如点号、星号），需用反斜杠转义：\.、\*。
常用元字符一览
- .：匹配除换行外的任意单个字符（取决于模式标志）
- ^ 和 $：行/字符串的起始与结束锚点
- []：字符类，像 [aeiou] 表示一个元音字符
- [^]：否定字符类，例如 [^0-9]
- |：或，像 cat|dog
- ()：分组与捕获
- \：转义符，用来引用特殊含义或常用字符类（\d、\w、\s 等）
量词：控制重复
量词决定了前面元素出现的次数。
| 符号 | 含义 | 例子 |
| * | 0 次或多次（贪婪） | ab*c 匹配 ac、abc、abbbc |
| + | 1 次或多次 | ab+c 匹配 abc、abbbc，但不匹配 ac |
| ? | 0 次或 1 次 | colou?r 匹配 color 和 colour |
| {n,m} | 至少 n 次，至多 m 次 | \d{2,4} 匹配 2 到 4 位数字 |
量词通常是贪婪的（尽量多匹配）。如果想要最小匹配，很多引擎支持懒惰量词，比如 .*?。
位置锚点与边界
锚点帮助你限定匹配位置：
- ^：匹配字符串/行的开始（取决于多行标志 m）
- $：匹配字符串/行的结束
- \b：单词边界（字母/数字与非字母/数字之间）
- \B：非单词边界
这样你可以做更精确的校验，比如以数字开头并以分号结尾的行。
分组、捕获与引用
分组是正则强大的地方。括号不仅把子模式组织在一起，还可以捕获文本以供后续引用或替换。
- 捕获组：(…)。在替换中常用 $1（JS/许多工具）或 \1（一些工具/引擎）引用第一个捕获组。
- 非捕获组：(?:…)，用于组合而不占用捕获编号。
- 命名捕获（不同引擎语法不同）：常见如 (?P
…) （Python）或 (?…) （PCRE/JS 的较新实现）。
回溯引用允许你匹配重复的子串，例如要找到成对的重复单词：\b(\w+)\s+\1\b（大多数引擎中可用）。
环视（Lookaround）——在匹配的同时看左边或右边
环视不会消耗字符，只是对位置进行条件判断。分为前瞻和后顾、正和负两类：
- 正前瞻：foo(?=bar)，匹配 foo，条件是后面紧跟 bar
- 负前瞻：foo(?!bar)，匹配 foo，条件是后面不是 bar
- 正后顾：(?<=bar)foo，匹配 foo，条件是前面是 bar
- 负后顾：(?
注意：并非所有引擎都支持变长后顾（如 JS 直到某些版本不支持），所以写跨平台正则时要小心。
实用示例（带思路，不只是正则）
1）邮箱地址（实用且保守的版本）
完全符合 RFC 的邮箱正则会非常复杂，而且在大多数场景不必要。一个平衡可用的常见写法：
^[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}$
说明：本模式校验常见邮箱格式，限制顶级域名至少 2 个字母。如果你要更严格（比如 IDN、特殊域名），需额外处理或用专业库。
2）手机号（中国大陆常见 11 位）
^1[3-9]\d{9}$
思路：以 1 开头，第二位是 3-9 的某个数字，后续 9 位数字。根据运营商段或国际号码会变，注意不要把校验规则写死在所有场景里。
3）URL（简化版）
URL 有很多变种，下面是一个常见简化版：
^(https?:\/\/)?([A-Za-z0-9-]+\.)+[A-Za-z]{2,}(:\d+)?(\/\S*)?$
说明：可选协议、域名、可选端口和路径。不要用一个正则去做所有 URL 的“真实检查”，更好的方式是用专门的 URL 解析库完成语义检查。
4）提取 HTML 标签内的内容（谨慎使用）
用正则处理复杂或嵌套的 HTML 通常是不可靠的，但针对单一简单标签可以：<([a-z]+)(?:\s[^>]*)?>(.*?)<\/\1>。这能匹配基本的成对标签并捕获内容与标签名。
跨语言与常见工具差异
不同环境对正则的支持、语法或默认行为有差异，几个要点：
- JavaScript：早期不支持可变长后顾，命名组较新版本才支持，替换字符串中用 $1。
- Python（re）：支持 (?P
…) 命名组，替换中用 \\1 或 \g。另外有 regex 第三方模块增加了更强功能。 - Java：使用双反斜杠转义（字符串字面量中），命名组语法类似于 PCRE 的形式但有差异。
- 命令行工具（grep/sed/awk）：语法各异，基本 POSIX 或 PCRE 带来差别，工具间替换语法也不一样（如 sed 用 \1）。
性能与调优小贴士
正则既强大也可能惹性能问题。几个常见经验：
- 尽量用具体字符而非 .* 盲扫；在能锚定位置时先锚定（用 ^ 或明确前缀）
- 避免回溯爆炸（catastrophic backtracking）：当有重叠的模糊量词组合（如 (a+)+ 或 (.*a){n}）时容易产生极端慢速
- 使用非回溯原子项（某些引擎支持）或占有量词（possessive quantifiers，如 PCRE 的 +、*+）降低回溯
- 在循环或高频场景预编译正则（许多语言支持预编译/缓存模式）
常见错误与调试技巧
我自己常犯的错误也分享下，免得你踩坑：
- 忘记对斜杠和反斜杠双重转义（尤其在字符串字面量里）
- 误用贪婪量词导致匹配过多（把 .* 改为 .*? 或更精确的字符集）
- 混淆捕获组编号和命名组（不同引擎替换语法不同）
- 在多行文本里忘记设置多行标志或 DOTALL（让 . 匹配换行）
调试工具很有用：把你的正则粘到像 regex101、regexr（工具名）这样的在线测试器上，可以看到分组、渐进匹配和回溯信息（记得不要把隐私数据直接粘到在线工具）。
替换与重排：实战小技巧
替换时要注意目标引擎的引用语法：
- JavaScript、许多在线工具：替换使用 $1、$2 等
- 一些工具或语言（如传统 sed/awk）：使用 \1 之类
例如，把名字格式从 “姓, 名” 变成 “名 姓”：模式 ^([^,]+),\s*(.+)$，替换用 $2 $1（在 JS 中）。
进阶话题简要触及（以便日后深入）
- Unicode 与脚本问题：如果处理多语言文本，使用支持 Unicode 类别的引擎（\p{L} 等）会更稳妥。
- 递归与条件模式：PCRE 等高级引擎支持递归匹配（用于嵌套结构），但跨平台可移植性差。
- 状态机与实现差异：一些工具用 NFA（回溯）实现，一些使用 DFA（线性时间），这影响性能特性。
一些常用正则片段（便于复制粘贴并理解）
- 去除字符串首尾空白（大多数语言 trim 用库好，不用正则，但示例）：^\s+|\s+$（替换为空串）
- 只保留数字：\D+（替换为空串）
- 匹配 0-255 范围的 IPv4 四段之一（片段）：(25[0-5]|2[0-4]\d|1?\d{1,2})
- 匹配 ISO 日期（YYYY-MM-DD）基本形式：^\d{4}-\d{2}-\d{2}$（注意没有语义校验闰年等）
如何系统练习与掌握
学习正则不要只背公式。建议的路径：
- 先记住基础元字符和简单量词，用真实例子练手（日志、CSV、文本报告）
- 每次遇到任务，先把目标写成“我想从文本中提取什么”一句话，再拆成小子任务
- 用测试工具逐步构造正则，观察每一步的匹配结果和分组内容
- 把复杂任务拆成多个小正则或先用解析器/库完成复杂语义，再用正则做局部清理
写到这里我自己又回想起好多次因为懒用一个 .* 把整个日志吃掉的尴尬瞬间，倒也是好的提醒：学会正则最实用的收益不是记住一个神奇的模式，而是学会用最小的、最清晰的模式去解决问题。接下来你可以挑一两项上面的示例在你的代码/工具里试一遍，边试边改就会更快上手。