正则表达式

把正则当成一门小语言来记：先是字符和数量，再是位置和分组，最后是"哪个引擎支持哪些语法"。第三部分最容易翻车——同一段表达式在 grep、Python 和 JavaScript 里的行为可能不一样。

基本构件

默认是贪婪的：在能满足整体匹配的前提下尽量多吃。加 ? 变懒惰（尽量少吃），加 + 变占有（吃完不吐）。用一段带引号的文本区分它们：

输入: "a" and "b"
".*"    贪婪   → "a" and "b"     一口吃到最后一个引号
".*?"   懒惰   → "a"             吃到最近的引号就停
".*+"   占有   → 匹配失败         吃光后不回退，找不到闭合引号

占有量词（*+、++、?+、{n,m}+）主要在 Java、PCRE、Python regex 模块里有，标准 re 不支持。它的价值是防止回溯，但通常用原子组或改写表达式更通用。

反向引用 \1 表示"和第一组匹配到的内容完全相同"，不是"再匹配一次第一组的模式"。找重复词很好用：

\b(\w+)\s+\1\b      # 匹配 "the the" 这类连续重复的词

\b      单词边界（一边是 \w，一边不是）
\B      非单词边界
^  $    行首 / 行尾
\A  \z  整个字符串的开头 / 结尾（Python 里是 \A 和 \Z）

最容易忽略的是 \b 对中文的行为：中文不属于 \w，所以"中文\b边界"的判定和直觉不同。处理中文文本时，宁可显式写字符范围，也不要依赖 \b。

下面这些可以直接用，但请先读每条的说明——正则能校验格式，不能校验语义。

\b(25[0-5]|2[0-4]\d|1\d{2}|[1-9]?\d)(\.(25[0-5]|2[0-4]\d|1\d{2}|[1-9]?\d)){3}\b

四段各取 0–255，写法是按范围从大到小枚举：250–255、200–249、100–199、0–199 剩下的部分。[0-9]{1,3} 这种看着简单的写法会放过 999.1.1.1。

^\d{4}-(0[1-9]|1[0-2])-(0[1-9]|[12]\d|3[01])$

它只保证月份 01–12、日期 01–31，不保证 2 月没有 30 号。真正的日期合法性交给语言自带的日期库去判断，不要试图用正则写完整个闰年规则。

^([01]\d|2[0-3]):[0-5]\d(:[0-5]\d)?$

#(?:[0-9a-fA-F]{6}|[0-9a-fA-F]{3})\b

六位写在三位前面，否则三位那一支会先吃掉前三个字符，把后面的内容留成垃圾。多选分支的顺序会影响结果，这是写交替时最常见的错误。

^(\S+) \S+ \S+ \[([^\]]+)\] "(\S+) ([^"]*?)(?: HTTP/[\d.]+)?" (\d{3}) (\d+|-)

分别得到客户端地址、时间、方法、路径、状态码、字节数。[^\]]+ 这种"取到某个字符为止"的写法，比 .+? 更稳，也更不容易触发回溯。

[ \t]+        → 单空格
[ \t]+$

[\u4e00-\u9fff]        基本汉字区
[^\x00-\x7f]           所有非 ASCII 字符（更宽松）

汉字在 Unicode 里分散在多个区段，基本区之外还有扩展 A–G。要"包含所有汉字"就得把多个区段拼起来，实际项目里通常用语言提供的 Unicode 属性，例如 \p{Script=Han}（需要引擎支持）。

嵌套量词是主要来源。看这个表达式：

^(a+)+$

输入 aaaa…aaa（30 个 a）时它很快；输入 aaaa…aaab 时，引擎要尝试把 30 个 a 分成两组的所有可能组合，耗时随长度指数增长。这类表达式遇到用户输入就是一次拒绝服务。

三条实用原则：

反过来，如果用的是 Go、RE2 这类基于自动机的引擎，就不存在回溯爆炸——代价是不支持反向引用和前后查找。选引擎时先想清楚要哪一边。

特性	POSIX ERE（grep -E）	PCRE / Python `re`	JavaScript	Go（RE2）
`\d` `\w` `\s`	标准里没有，GNU 部分支持	支持	支持	支持
懒惰量词 `*?`	不支持	支持	支持	支持
前后查找	不支持	支持（后顾需定长）	支持	不支持
反向引用	不支持	支持	支持	不支持
命名组	不支持	`(?P<n>…)`	`(?<n>…)`	`(?P<n>…)`

另外两个常被忽略的点：grep 默认按行匹配，. 永远碰不到换行；而 Python 的 re.match 只从开头匹配（等价于加了 ^），re.search 才是全串搜索。写 ^…$ 时如果字符串结尾有换行，Python 的 $ 允许在换行前匹配，用 \Z 更严格。