字符组：[abc]、[^abc]、[a-z] 与预定义类 \d \w \s

给"任意一个位置"发候选人名单

. 是"谁来都行"，太宽泛；字面量是"只要这位"，太死板。真实的匹配常常介于两者之间：这一位可以是数字，但不能是字母；可以是这几个标点之一，其余不收。字符组（character class）就是给单个位置列一份候选人名单：[abc] 表示"这一位上是 a、b、c 之一即可命中"。

import re
# 从短句中提取所有单个元音字母
text = "今天 Weather 很 nice"
print(re.findall(r"[aeiou]", text))
# 输出：['e', 'a', 'e', 'i', 'e']

注意字符组永远只消费一个字符，哪怕名单再长。想连吃三位十六进制数，要靠量词配合：[0-9a-fA-F]{3}。

范围与取反：- 和 ^

方括号内的 - 表示区间：[a-z] 小写字母、[0-9] 数字、[\u4e00-\u9fa5] 常用汉字。多个区间可以连写，[a-zA-Z0-9_] 一口气覆盖英文字母数字下划线。

把 ^ 放在方括号的最开头，名单翻转成黑名单：[^0-9] 表示"这一位什么字符都行，只要不是数字"。

import re
# 检查哪些 SKU 不是数字开头：SKU-A77 合规，SKU-88K0 违规
print(re.findall(r"SKU-[^0-9]", "SKU-A77 与 SKU-88K0"))
# 输出：['SKU-A']

SKU-[^0-9] 只在"横杠后不是数字"处命中，SKU-88K0 被规则自然排除。这正是取反字符组"提前筛掉不合格式"的价值。

预定义字符组：引擎送你的速记

手写 [0-9]、[a-zA-Z0-9_] 太啰嗦，各方言都内置了一组速记符号，本质是字符组的缩写：

速记 等价于（ASCII 语境） 含义 记忆
\d [0-9] 数字 digit
\w [A-Za-z0-9_] 单词字符 word
\s 空格/制表/换行等 空白 space
\D [^0-9] 非数字 取反
\W 非单词字符 取反 取反
\S 非空白 取反 取反

大写形式永远是小写形式的补集，这条规律无一例外。

import re
# 把「商品ID：A1234」这类标签里的编号抠出来
print(re.findall(r"商品ID[:：]\s*\w+", "商品ID: A1234；商品ID：B_9x"))
# 输出：['商品ID: A1234', '商品ID：B_9x']

[:：] 同时兼容半角与全角冒号——字符组天生就是处理"二义性输入"的好工具。

隐蔽的差异：\w 到底认不认识中文

这是字符组里最大的方言陷阱。JavaScript 中 \w 等价于 [A-Za-z0-9_]，永远不含中文；Python 3 的 re 模块默认按 Unicode 解释，\w 会命中汉字。同一个意图，跨语言搬代码就可能出错：

import re
# Python：\w 含汉字
print(re.findall(r"\w+", "订单号 DD7712 已签收"))
# 输出：['订单号', 'DD7712', '已签收']

同样的 \w+ 在 JavaScript 里只会匹配出 DD7712。在 Python 里想要 ASCII 行为，显式写 [A-Za-z0-9_]，或加 re.A 标志。跨语言移植正则时，先核对预定义类的语义，是本书反复强调的纪律。

字符组内部的规则：它是个"和平区"

方括号里大部分元字符会失去特殊含义，+*?() 在组内都是普通字面量，这常被新手误转义。但有三条组内铁律：

  1. ] 要写 [\\\]]（或直接 []] 在部分方言可行）才表示字面量；\] 最稳。
  2. - 想表示连字符本身，放组首、组尾，或转义 \-：[a-z-]。
  3. ^ 只在组首才是取反，挪到组中间就成了字面量：[a^b] 匹配 a、^、b 三者之一。
import re
# 匹配算式中的减号与数字：3-5
print(re.findall(r"\d[-+]\d", "3-5 与 4+2 与 6 8"))
# 输出：['3-5', '4+2']

经验之谈：写 [A-z] 是新手经典事故——它在 ASCII 表里横跨了大小写字母之间的一堆标点（\、^、_、反引号全在里面）。区间必须同类型相邻：[A-Za-z] 而不是 [A-z]。同理 [0-125] 不是 0 到 125，而是 0、1、2、5 四个字符——区间只看两端，不看中间数的大小。

实战：从一段客服记录里捞时间

14:32、09:05 这类时分，用字符组加区间限界写法是 [01]\d:[0-5]\d 或宽松版 \d{1,2}:\d{2}：

import re
log = "客服 14:32 接单，15:7 记录无效，23:59 归档"
print(re.findall(r"\b(?:[01]\d|2[0-3]):[0-5]\d\b", log))
# 输出：['14:32', '23:59']

15:7 被规则自然排除，因为 [0-5]\d 要求分钟必须是两位且首位 0-5。用字符组刻画"这一位的合法取值范围"，比事后再过滤假阳性便宜得多。

组合技巧：字符组不是孤立使用的

真实匹配里，字符组几乎总是和量词、锚点、字面量组队。三个常用组合范式：

  • 定长分段：[0-9]{3}-[0-9]{8} 描述"区号-号码"这种分段定长结构；
  • 取反守门：[^0-9] 放在关键位置，提前排除非法字符，省掉后置过滤；
  • 白名单收口：整串校验时用 ^[字符组]{n,m}$，把所有合法形态压进一个字符组。
import re
print(re.findall(r"[0-9]{3}-[0-9]{8}", "总机 010-88886666，备用 021-55554444"))
# 输出：['010-88886666', '021-55554444']

这条模式没有用一个 \d——POSIX 方言的 grep 里它照样能跑，这就是字符组"全方言通用"的工程价值：核心业务正则优先用显式字符组书写，可移植性最好。

自测两题：[a-c-] 匹配哪些字符？（a、b、c 和连字符本身——组尾的 - 是字面量。）[^a-z0-9] 会命中汉字吗？（会，它只排除小写字母和数字。）第二题正是"用取反组做中文判断"的思路来源：[^一-龥] 命中的第一个字符，就是文本里第一个非汉字字符。

三个常见疑问

问：[abc] 和 (a|b|c) 等价吗？ 匹配结果等价，但性能与语义不同：字符组是单字符的原生分支，更快；且 (a|b|c) 会多出一个捕获组，影响 findall 返回结构。单字符多选一，永远用字符组。

问：字符组里需要转义 . 吗？ 不需要，组内 . 就是字面量：[a.c] 匹配 a、点、c 三者之一。组内需要留意的只有 ] \ ^ - 四个，其余元字符全部"降级"为普通字符——这也是为什么反斜杠在组内有时要写两个。

问：怎么匹配"汉字、字母、数字、下划线"混排的词？ 把区间并列即可：[一-龥A-Za-z0-9_]。注意不要图省事写 [一-龥\w]——\w 的语义随语言变化（Python 含汉字、JS 不含），显式列出区间才能保证跨方言一致。

import re
print(re.findall(r"[一-龥A-Za-z0-9_]{2,}", "用户 u_8817 说：好"))
# 输出：['用户', 'u_8817', '说', '好']

"说：好"中的全角冒号把两个字隔开，所以结果里是分开的两段——字符组只认名单，不管语义。想连成语义词，那是分词的事，不是正则的事。

参考资源

本章由 WorkBuddy 原创撰写，示例均经实际验证。