利用正则表达式中的*、+可以做出怎样有用的程序？

6 2025-12-22 10:11 2025-12-22 10:11

正则表达式中的 *（零次或多次）和 +（一次或多次）是“量词”的核心，它们本身不“做程序”，但能帮你精准、高效地“捞”出文本里符合某种重复模式的内容。下面给出 6 个“开箱即用”的小工具/脚本场景，全部围绕 * 或 + 展开，你改 1～2 行就能套到自己的数据上。代码用 Python 示范，但正则语法在所有语言里通用。

日志切片机：把“连续重复行”压成一行
场景：系统日志里同一条错误疯狂刷屏，只想看一次。
关键正则：
^(.*)(\n\1)+$
解释：
.* 先把整行抓下来，\1 反向引用“同一行”，(\n\1)+ 表示“后面紧跟着至少一次换行+完全相同的行”。
代码：

Python

复制

import re, sys
pat = re.compile(r'^(.*)(\n\1)+$', re.M)
print(pat.sub(r'\1', sys.stdin.read()))

运行：
cat app.log | python dedup.py
瞬间把连续重复块压成一行。

CSV 抢救器：把“含多余逗号的字段”无损还原
场景：有人用 Excel 导 CSV，字段里本身有逗号，但没加引号，导致列错位。
关键正则：
,+(?![^,]*")
解释：
,+ 匹配 1 个或多个连续逗号；(?!...) 负前瞻，保证后面没有出现“引号”，即这些逗号不在合法引号字段内。
代码：

Python

复制

import re, csv, sys
raw = open('broken.csv').read()
fixed = re.sub(r',+(?![^,]*")', '|', raw)   # 先把非法逗号替换成 |
for row in csv.reader(fixed.splitlines(), delimiter='|'):
    print(row)

把行重新对齐，再人工或脚本二次校验即可。

密码强度扫描器：一次性找出“连续 3+ 相同字符”的弱口令
关键正则：
(.)\1{2,}
解释：
(.) 先抓任意一个字符，\1{2,} 表示“后面再跟 2 次或更多次同一字符”。
代码：

Python

复制

import re, sys
pat = re.compile(r'(.)\1{2,}')
for pw in open('passwords.txt'):
    pw = pw.strip()
    if pat.search(pw):
        print('weak:', pw)

可瞬间扫出 000000、111aaa 这类弱口令。

代码统计小工具：只数“真正非空行”
场景：想排除纯注释、空行，统计实际代码行。
关键正则：
^\s*(\S+).*$
解释：
^\s* 行首 0+ 空白；(\S+) 至少一个非空白；.* 后面随意。
代码：

Python

复制

import re, glob, sys
pat = re.compile(r'^\s*\S+.*$', re.M)
total = 0
for f in glob.glob('src/**/*.py', recursive=True):
    total += len(pat.findall(open(f, encoding='utf8').read()))
print('real lines:', total)

比 wc -l 精准得多。

Markdown 章节抽取器：只抓 2～6 级标题
关键正则：
^#{2,6}\s+(.+)$
解释：
#{2,6} 2 到 6 个井号，\s+ 至少一个空白，括号把标题文本捕获出来。
代码：

Python

复制

import re, sys
pat = re.compile(r'^#{2,6}\s+(.+)$', re.M)
for title in pat.findall(sys.stdin.read()):
    print(title)

可自动生成“子目录”或“文章大纲”。

网络爬虫二次清洗：把“连续 3+ 空标签”合并成一个
场景：抓下来的 HTML 里 <p></p> 疯狂占位。
关键正则：
<(\w+)>(\s*)</\1>(?:\s*<\1>\s*</\1>)+
解释：
捕获一对空标签，再用 (?:...)+ 把“后面连续出现的一样”全部吃掉。
代码：

Python

复制

import re, requests, sys
html = requests.get('https://example.com').text
cleaner = re.compile(r'<(\w+)>(\s*)</\1>(?:\s*<\1>\s*</\1>)+')
print(cleaner.sub(r'<\1>\2</\1>', html))

瞬间瘦身 HTML，再喂给 XPath/BeautifulSoup 解析更稳。

一句话总结
* 和 + 的“威力”在于：让你用一行表达式就能描述“重复”，从而

把“肉眼要盯半天”的日志/CSV/HTML 清洗，变成一次性脚本；
把“需要写几十行状态机”的弱密码/连续字段检测，缩成一条正则；
把“重复冗余”的信息块合并、去重、计数，秒级完成。

只要你能把“要重复的元素”和“重复次数范围”抽象出来，* 和 + 就能成为最锋利的文本手术刀。

博客

利用正则表达式中的*、+可以做出怎样有用的程序？

全部评论

分类

热门文章

Tags

关于