常用正则表达式大全：轻松验证邮箱、提取链接

正则表达式是处理文本的利器，掌握一些常用模式能极大提升工作效率。我日常与代码和数据打交道，积累了一些经过实践检验的表达式，它们能应对大多数常见的匹配、提取和验证场景。

如何用正则表达式验证邮箱格式

邮箱验证是常见需求，一个健壮但不绝对严苛的表达式通常能兼顾准确性与实用性。我常用的模式是^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$。这个表达式首先匹配由字母、数字和部分符号组成的用户名部分，接着是“@”符号，然后是域名部分，最后要求域名后缀至少为两个字母，如“.com”或“.cn”。在实际应用中，例如用户注册表单的前端验证，这个表达式能有效拦截大多数明显无效的输入。

虽然理论上邮箱地址规范非常复杂，但这个表达式覆盖了99%以上的日常使用情况。将其嵌入JavaScript或后端验证逻辑中，可以快速过滤掉格式错误的邮箱，避免无效数据进入系统。关键在于理解它检查了什么：用户名是否存在、是否有“@”符号、域名是否存在以及顶级域名是否合理。

如何用正则表达式提取网页中的超链接

从HTML文本中批量提取链接是数据抓取和清洗的常见任务。一个直接的方法是使用<a\s+(?:[^>]<strong>?\s+)?href="([^"]</strong>)"这样的表达式。它主要匹配<a标签开始，然后忽略标签内的其他属性，最终精准捕获href=后面双引号内的链接地址。处理爬虫得到的原始HTML时，这个表达式非常高效。

直接使用正则处理复杂的HTML结构有时会遇到嵌套或异常格式的问题，但在处理结构相对规整的片段时，它比启动完整的HTML解析器要快捷得多。我通常会配合编程语言的“非贪婪匹配”标志来使用，确保只提取最小的匹配结果。将提取到的链接存入列表后，再进行进一步的去重或过滤操作，这是自动化工作流中的标准一步。

如何用正则表达式匹配中文字符

在处理中文文本时，如舆情分析或内容审核，经常需要匹配或筛选出全部中文字符。最通用的表达式是[\u4e00-\u9fa5]，它覆盖了Unicode编码中的基本汉字区块。如果想匹配一个或多个连续汉字，可以使用[\u4e00-\u9fa5]+。这个表达式能有效地从混合了英文、数字和符号的文本中，将中文部分分离出来。

例如，在分析社交媒体评论时，用这个表达式可以快速统计纯中文内容，或者验证用户输入是否包含中文字符。它简单且可靠，几乎在所有支持Unicode的正则引擎中都有效。需要注意的是，它可能不包含一些非常用汉字或扩展部首，但对于绝大多数应用场景已经足够。

如何用正则表达式分离数字与单位

在清理财务数据或商品规格时，经常遇到“500g”、“1.5米”这类数字与单位粘连的字符串。使用(\d+(?:\.\d+)?)([^\d\s]+)可以很好地将其分离。这个表达式将数字部分（包括小数）作为第一捕获组，将紧随其后、非数字非空格的单位字符作为第二捕获组。

比如，处理“价格：23.5元/斤”这样的文本，它能分别捕获“23.5”和“元/斤”。在Python或JavaScript中，通过匹配结果的组（groups）即可轻松获取拆分后的两部分数据，便于后续进行数值计算或单位标准化。这个模式的核心在于用(?:\.\d+)?匹配可选的小数部分，并用([^\d\s]+)贪婪地捕获所有非数字、非空格的单位字符。

你在日常工作中，最常被哪一个正则表达式问题所困扰？欢迎在评论区分享你的具体场景，我们可以一起探讨更优的写法。如果觉得这些表达式对你有帮助，也请点赞支持并分享给需要的同事。