1.3 正規表示式#

概念說明#

正規表示式（Regular Expression，簡稱 regex）是一種描述文字模式的迷你語言。它源自形式語言理論中的「正規語言」：任何正規表示式都等價於一個有限自動機（finite automaton），這也是為什麼它可以用極高效率進行比對。常見語法包括：

字面字元：abc 比對字串 "abc"。
字元類別：[abc] 比對 a、b、c 任一；[0-9] 比對數字；預設類別 \d（數字）、\w（文字字元）、\s（空白）。
數量詞：*（0 次以上）、+（1 次以上）、?（0 或 1 次）、{m,n}（m 到 n 次）。
錨點：^ 開頭、$ 結尾。
群組與擷取：(...) 可擷取子字串供事後取用。
或運算：cat|dog 比對 cat 或 dog。

正規表示式最著名的陷阱是貪婪比對：.* 會盡量多吃字元。例如對 "<a><b>" 套用 <.*> 會比對到整個字串，而 .*?（非貪婪）才會停在第一個 >。寫 regex 時務必留意。

在理論上，正規語言無法表達「對稱括號」這類需要計數的結構，因此 HTML 解析等任務不該用 regex 硬做——這是「regex 不是萬能」的經典教訓。

演算法步驟：用 regex 擷取資料#

明確列出目標文字的結構（如日期、電話、Email）。
將結構翻譯成模式，注意用非貪婪量詞與字元類別縮小範圍。
用 re.finditer 或 re.findall 掃描全文取得所有命中。
若有擷取群組，從 match 物件取出各群組內容。
用多個樣本測試，特別檢查邊界情況（空字串、特殊符號）。

Python 程式碼範例#

import re

text = """聯絡資訊：
電話 0912-345-678，市話 (02)2766-1234
Email: alice@example.com, bob@test.com.tw
日期：2026/10/18 與 2026-10-19
標籤：<a><b>文字</b></a>
"""

# 1) 手機號碼：\d 代表數字
print(re.findall(r'09\d{2}-\d{3}-\d{3}', text))
# ['0912-345-678']

# 2) Email 擷取（含群組）
for m in re.finditer(r'([\w.]+)@([\w.]+)', text):
    print(m.group(0), '=> 帳號:', m.group(1), '網域:', m.group(2))

# 3) 貪婪 vs 非貪婪
print(re.findall(r'<.*>', text))     # ['<a><b>文字</b></a>']
print(re.findall(r'<.*?>', text))    # ['<a>', '<b>', '</b>', '</a>']

# 4) 日期兩種格式：| 連接分支
print(re.findall(r'\d{4}[/\-]\d{2}[/\-]\d{2}', text))

# 5) sub：遮蔽電話中間三碼
print(re.sub(r'(09\d{2})-\d{3}(-\d{3})', r'\1-***\2', text))

# 6) 中文字元類別（Unicode 範圍）
print(re.findall(r'[\u4e00-\u9fff]+', text))

# 7) split：以逗號與空白切分
print(re.split(r'[，,、\s]+', '蘋果, 香蕉、鳳梨 芒果'))

複雜度分析#

比對長度 n 的文字與長度 m 的模式：基於有限自動機（NFA 模擬或 DFA）的引擎，時間為 O(n·m) 或建好 DFA 後 O(n)，且不會發生災難性回溯（catastrophic backtracking）。Python 的 re 採用回溯法，多數實用模式為線性，但像 (a+)+b 這類巢狀量詞模式在不可能比對成功時，可能退化到指數時間——這是「正規表示式阻斷服務（ReDoS）」攻擊的根源。撰寫模式時應避免巢狀不定量詞，或改用非回溯引擎（如 Rust 的 regex crate、Google RE2）。

練習#

寫出一個比對台灣身分證字號（一個大寫英文字母加 9 位數字）的模式，並測試 A123456789。
寫一個模式，找出文字中所有「以西元 19xx 或 20xx 開頭的年份」，並說明你如何避免比對到 20261 這種錯誤年份（提示：使用邊界條件 (?!\d)）。
對模式 (x+x+)+y 在字串 "xxxxxxxxxxxxxxxxxxxxxxxx"（不含 y）上執行 re.match 並計時，觀察回溯造成的時間爆炸。