📚 课程目录第3章正则表达式进阶

正则表达式进阶：贪婪与非贪婪、反向引用、零宽断言

说实话，正则表达式这东西，很多人学完基础就跑了。觉得能匹配个邮箱、电话号码就够了。但你要是真的写过复杂的文本解析任务，就会发现——基础那点东西根本不够用。

我早年接手过一个日志分析项目。几千行的服务器日志，需要提取特定时间戳里的错误码。用基础的正则写了一版，结果匹配出来的内容乱七八糟。很多该抓的没抓到，不该抓的反而抓了一大堆。后来深入研究了贪婪与非贪婪、反向引用这些概念，才真正把正则用明白。

先问一个问题：默认情况下，正则引擎是怎么匹配重复量词的？比如 .* 或 .+。

答案是——尽量多匹配。能匹配100个字符绝不只匹配10个。这就是贪婪的本质。

核心区别：

举个例子。文本是 "abc"def"ghi"，我想提取双引号内的内容。

正则：".*"
匹配结果："abc"def"ghi"
因为 .* 会一直匹配到最后一个双引号。

这显然不是我想要的。我只要第一个引号对里的内容。

正则：".*?"
匹配结果："abc"

在 * 后面加个 ?，引擎就会尝试最短匹配。遇到第一个 " 就收手。

我在项目中遇到过一个问题：用贪婪匹配去解析HTML标签。结果把整个页面的内容吞进去了。因为 <.*> 会匹配从第一个 < 到最后一个 >。嗯，那之后我就养成了习惯——凡是没有明确限制的重复匹配，先试非贪婪。

注意：非贪婪并不总是最优解。如果结构非常复杂，非贪婪可能导致回溯过多，性能下降。我建议在能确定性匹配时，优先用字符类或否定类（比如 [^"]*）来代替非贪婪。

反向引用的概念很有意思：你在前面捕获了一个组，后面可以直接引用这个组的内容。

语法：
\1  —— 引用第一个捕获组
\2  —— 引用第二个捕获组
...
$1  —— 在替换时引用第一个捕获组（不同语言写法有差异）

举个实际例子。检测重复单词：

文本：我我我吃饭吃饭了了了
正则：(\w)\1+
解释：匹配同一个字符连续出现两次或多次。
匹配结果：我我我、吃饭吃、饭了了了

我曾经在写一个数据清洗工具时，需要把 2024-01-01 格式的日期改成 01/01/2024。反向引用+替换一步搞定：

正则：(\d{4})-(\d{2})-(\d{2})
替换：$2/$3/$1

个人经验：反向引用在HTML/XML标签匹配里非常好用。比如匹配 <div>...</div>，可以用 <([a-z]+)>.*?</\1>。注意这里用了非贪婪，否则会跨标签。

零宽断言，说白了就是：匹配某个位置，但不消耗字符。它检查当前位置的前面或后面是否满足条件，但不把它算进匹配结果里。

我常用正向先行断言来提取数字后面带单位的内容。比如从 "价格是100元，运费20元" 里提取金额：

正则：\d+(?=元)
匹配结果：100、20（只得到数字，不包含“元”）

负向先行断言呢？比如你想匹配 cat，但不要紧跟在 dog 后面的 cat：

正则：\bcat\b(?!.*dog)
解释：匹配单词cat，但要求后面没有dog这个词出现在同一句话里。

避坑指南：我曾经在分析JSON字符串时，用后行断言来匹配冒号后的值。但注意，JSON的键和值都可能包含引号，边界情况复杂。建议先了解语言对后行断言的支持程度——JavaScript早期版本就不支持后行断言。

零宽断言不占用字符这个特点，让它可以用来做“分割”而不消耗分隔符。比如你想按逗号分割，但逗号前后有空格：

文本：a, b, c
正则：(?<=\s?),\s?
解释：匹配逗号，但前面不消耗空格，后面也不消耗空格。
实际分割结果：a、b、c（干净）

注意性能陷阱：贪婪+大量回溯会导致灾难性回溯，特别是用 (.*)* 这类嵌套重复时。我曾经在生产环境遇到正则直接卡死CPU，后来改用了具体字符类 + 非贪婪，问题才解决。

个人建议：平时写正则，先把默认行为搞清——哪些是贪婪、哪些是零宽。条件允许的话，用在线工具调试一下匹配过程，很多坑能提前暴露。

一个小技巧：如果场景复杂，比如需要同时处理贪婪、反向引用和断言，建议拆成多步。先提取、再替换、再断言过滤。逻辑更清晰，也更容易维护。我见过太多人在一行正则里塞几十个括号，最后自己都看不懂了。