第1章 正则表达式基础：元字符、字符类、量词

正则表达式，说白了就是一种描述文本模式的工具。你想想看，当你要在一堆日志里找出所有手机号、身份证或者银行卡号时，挨个看肯定不现实。这时候正则就派上用场了。我记得刚开始做数据清洗时，面对几万行杂乱文本，正则就像一把瑞士军刀——简单几行模式，就能把目标数据精准地拎出来。

1.1 正则表达式到底是什么

正则表达式，简称为"正则"或"regex"，是一种用来描述字符串模式的"小语言"。说白了，你给它一个规则，它就能在一段文本里找到所有符合规则的部分。举个例子：你要从几百条日志里捞出所有 IP 地址，手写循环又慢又容易漏，用正则几行代码就搞定。

我一开始也觉得正则难记——全是符号，看着像乱码。但后来我发现，核心就三块东西：元字符、字符类、量词。把这三块搞明白，大部分场景你就能自己写出来了。

1.2 元字符——正则的"基本字母"

元字符是正则里最基础的符号，它们有特殊含义，不是普通字符。我在项目中见过不少新手一上来就写 \. 结果忘了转义，匹配了半天全是任意字符……

元字符	含义	示例	匹配结果
.	匹配任意单个字符（除换行）	a.b	"acb"、"a b"、"a1b"
^	匹配字符串开头	^Hello	以 "Hello" 开头的行
$	匹配字符串结尾	end$	以 "end" 结尾的行
|	逻辑"或"	cat|dog	"cat" 或 "dog"
\	转义后面字符的特殊含义	\.	匹配字面量 "."
()	分组，提取子匹配	(ab)+	"ab"、"abab"

拿个实际场景来说。我在解析服务器日志时，想匹配以 "ERROR" 开头、包含时间戳的行。用 ^ERROR \d{4}-\d{2}-\d{2} 一下子就定位到了。这里的 ^ 锚定了行首，\d 是预定义字符类（后面会细讲），{4} 是量词。你看，三个要素已经凑齐了两个。

1.3 字符类——匹配一组字符

字符类用方括号 [] 表示。说白了就是"匹配这个集合里的任意一个字符"。举个例子：[aeiou] 匹配任意一个英文元音字母。

• 普通集合：[abc] 匹配 "a"、"b" 或 "c"
• 范围表示：[a-z] 匹配所有小写字母，[0-9] 匹配所有数字
• 否定：[^abc] 匹配除了 "a"、"b"、"c" 以外的任意字符（注意 ^ 在方括号里表示取反）
• 预定义字符类：
  • \d 等价于 [0-9]
  • \w 等价于 [a-zA-Z0-9_]
  • \s 等价于空白字符（空格、制表符、换行）

import re

# 用字符类匹配手机号（简单版）
pattern = r'1[3-9]\d{9}'
text = "我的号码是13812345678，他的是15987654321。"
phones = re.findall(pattern, text)
print(phones)  # ['13812345678', '15987654321']

# 用否定字符类过滤非数字字符
pattern2 = r'[^\d]'
text2 = "订单号：AB-2024-001"
clean = re.sub(pattern2, '', text2)
print(clean)  # '2024001'

1.4 量词——控制重复次数

量词决定了前面的字符或字符类"出现多少次"。这是正则里最容易出性能问题的地方——我见过有人用 .* 一把梭，结果把整个文本都吞了。

量词	含义	示例	匹配
*	零次或多次	ab*	"a"、"ab"、"abb"、"abbb"...
+	一次或多次	ab+	"ab"、"abb"、"abbb"...（不含 "a"）
?	零次或一次	ab?	"a" 或 "ab"
{n}	精确匹配 n 次	\d{4}	四位数字，如 "2024"
{n,}	至少 n 次	\d{2,}	两位及以上数字
{n,m}	n 到 m 次	\d{2,4}	"12"、"123"、"1234"

贪婪 vs 非贪婪：默认情况下，量词是"贪婪"的——它会尽量匹配更多的字符。比如 a.*b 去匹配 "a---b---b"，它会吞掉整个字符串一直到最后一个 "b"。如果在量词后面加个 ?，就变成"非贪婪"模式，匹配到第一个 "b" 就停。

我建议在敏感数据识别中，尽量用非贪婪匹配。为什么呢？因为敏感数据（如身份证号、银行卡号）长度通常是固定的，用精确量词 {n} 最安全，既不会漏也不会多吞。

import re

# 贪婪 vs 非贪婪 对比
text = "<div>内容1</div><div>内容2</div>"

# 贪婪匹配：吞掉整个字符串直到最后一个 </div>
greedy = re.search(r'<div>.*</div>', text)
print(greedy.group())  # <div>内容1</div><div>内容2</div>

# 非贪婪匹配：遇到第一个 </div> 就停
non_greedy = re.search(r'<div>.*?</div>', text)
print(non_greedy.group())  # <div>内容1</div>

# 量词精确匹配：银行卡号（16-19位数字）
bank_pattern = r'\b\d{16,19}\b'
text2 = "卡号：6222021234567890，请勿泄露。"
print(re.findall(bank_pattern, text2))  # ['6222021234567890']

1.5 本章小结

到这里，正则的三块基石——元字符、字符类、量词——我们就过了一遍。别看它们单个都很简单，组合起来就能表达非常复杂的文本模式。记得我刚学那会儿，觉得 ^[A-Za-z]+$ 像咒语，后来看懂了，其实就是"从开头到结尾全是字母"的意思。嗯，熟练了就好。

在下一章到来之前，我建议你打开 Python 终端，把今天这几个例子敲一遍。尤其是 re.findall 和 re.sub，这两个函数在敏感数据识别里会用得非常频繁。自己动手跑一遍，比看十遍都管用。