字符类与预定义字符集

字符类（Character Class）

字符类用方括号 [...] 定义，匹配括号内的任意一个字符。字符类相当于把多个选项压缩成一个元字符位置。

# 基本字符类
re.findall(r'[aeiou]', 'hello world')
# → ['e', 'o', 'o']

# 字符范围
re.findall(r'[a-z]+', 'Hello World 123')
# → ['ello', 'orld']  （只匹配小写字母）

re.findall(r'[a-zA-Z]+', 'Hello World 123')
# → ['Hello', 'World']  （大小写字母都匹配）

# 数字范围
re.findall(r'[0-9]+', 'abc 123 def 456')
# → ['123', '456']

# 取反字符类
re.findall(r'[^aeiou\s]+', 'hello world')
# → ['h', 'll', 'w', 'rld']  （非元音且非空格的字符序列）

字符类内的特殊规则

在字符类内部，大多数元字符失去其特殊含义，但有例外：

# 在字符类中匹配字面特殊字符
re.findall(r'[.!?]', 'Hello! How are you?')
# → ['!', '?']  （. ! ? 在字符类内都是字面字符）

# - 放在末尾，避免被解析为范围
re.findall(r'[a-z0-9-]+', 'hello-world_2026')
# → ['hello-world', '2026']  （- 在末尾，是字面连字符）

# 错误示例：[A-z] 包含了意外字符
import string
# [A-z] 的 ASCII 范围是 65-122，包含 [ \ ] ^ _ `
# 应该使用 [A-Za-z] 而不是 [A-z]

预定义字符类（Predefined Character Classes）

常用字符集有简短的预定义写法，避免每次手写范围：

# \d 匹配数字
re.findall(r'\d+', 'a1b22c333')
# → ['1', '22', '333']

# \w 匹配单词字符
re.findall(r'\w+', 'hello, world! 123')
# → ['hello', 'world', '123']

# \s 匹配空白（常用于分割）
re.split(r'\s+', '  hello   world  ')
# → ['', 'hello', 'world', '']

# \S 匹配非空白（提取不含空格的词）
re.findall(r'\S+', 'hello   world  2026')
# → ['hello', 'world', '2026']

在字符类中使用预定义类

预定义类可以嵌入字符类中，与其他字符组合：

# 字母或数字（\w 的子集，不包含下划线）
re.findall(r'[a-zA-Z\d]+', 'hello_world 123')
# → ['hello', 'world', '123']  （下划线被排除）

# 空白字符或逗号（用于分割 CSV 风格数据）
re.split(r'[\s,]+', 'a, b,c  d')
# → ['a', 'b', 'c', 'd']

# 非数字非空白（提取文字部分）
re.findall(r'[^\d\s]+', 'abc 123 def 456')
# → ['abc', 'def']

特殊转义序列

除了 \d \w \s，正则还支持其他重要的转义序列：

单词边界（\b）的工作原理

\b 是一个零宽断言——它匹配一个位置，不消耗字符。理解它的工作原理有助于正确使用：

# \b 精准匹配完整单词
re.findall(r'\bcat\b', 'cat cats catch concatenate')
# → ['cat']  （只有 'cat' 是完整单词）

re.findall(r'\bcat\w*', 'cat cats catch concatenate')
# → ['cat', 'cats', 'catch']  （以 cat 开头的单词）

# \b 的工作原理示意
# 字符串：" cat "
# 位置：  0 1 2 3 4
# 字符：  ' ' 'c' 'a' 't' ' '
# \b 在位置 1（空格→c，\W→\W... 等等）
# 实际上 \b 在 pos1 (空格与c之间) 和 pos4 (t与空格之间)

# 常见陷阱：\b 对连字符、下划线不生效
re.findall(r'\bcat\b', 'e-cat')
# → ['cat']  （- 是 \W，所以 e-cat 中 cat 前有 \b）

re.findall(r'\bcat\b', '_cat')
# → []  （_ 是 \w，所以 _cat 中 cat 前没有 \b）

Unicode 属性转义（ES2018 / Python regex 库）

对于需要匹配任意语言文字的场景，标准的 \w 不够用——它在 ASCII 模式下只匹配英文字母。Unicode 属性转义提供了更精确的控制：

// JavaScript（ES2018+），需要 u 标志
/\p{Letter}+/u.test('Héllo')        // true（包含重音字母）
/\p{Script=Han}/u.test('汉字')      // true（汉字）
/\p{Script=Hiragana}/u.test('あ')   // true（平假名）
/\p{Decimal_Number}/u.test('２')    // true（全角数字）

# Python：标准 re 模块对 Unicode 的支持有限
# 使用第三方 regex 库获得完整的 Unicode 属性支持
# pip install regex
import regex
regex.findall(r'\p{Han}+', 'hello 你好 world 世界')
# → ['你好', '世界']

POSIX 字符类（在 PCRE 中可用）

在 ERE（扩展正则表达式）和 PCRE 中，[:name:] 形式的 POSIX 字符类在方括号内使用：

常见字符类模式总结

# 验证：仅包含字母和数字
re.fullmatch(r'[a-zA-Z0-9]+', username)

# 提取：十六进制数字（如颜色值）
re.findall(r'#[0-9a-fA-F]{6}', 'color: #ff5733 and #abc123')
# → ['#ff5733', '#abc123']

# 提取：标点符号
re.findall(r'[^\w\s]', 'hello, world! it\'s fine.')
# → [',', '!', "'", '.']

# 提取：非 ASCII 字符（中文、日文等）
re.findall(r'[^\x00-\x7F]+', 'hello 世界 world')
# → ['世界']  （\x00-\x7F 是 ASCII 范围）

# 匹配：文件扩展名（图片文件）
re.findall(r'\.\w+$', 'photo.jpg', re.IGNORECASE)
# → ['.jpg']

# 验证：密码包含大写、小写、数字
# 用三个独立的 fullmatch 检查更清晰：
def has_upper(s): return bool(re.search(r'[A-Z]', s))
def has_lower(s): return bool(re.search(r'[a-z]', s))
def has_digit(s): return bool(re.search(r'\d', s))

小结

• 字符类 [...] 匹配括号内的任意一个字符；[^...] 匹配不在括号内的任意字符
• 范围 a-z 基于码点顺序；不要用 [A-z]（包含意外字符），应用 [A-Za-z]
• 字符类内部，. * + ? 是字面字符；] 需转义；- 放在首尾或转义为字面连字符
• 预定义类：\d（数字）、\w（单词字符）、\s（空白）及其大写反义 \D \W \S
• \b 单词边界匹配 \w 与 \W 之间的位置；对中文无效
• Unicode 属性转义：JavaScript 的 \p{Letter}（需 u 标志），Python 需用第三方 regex 库