第1章：正则表达式与数据结构——用正则解析JSON、XML、YAML及自定义格式
各位同学，今天我们来聊一个很实在的话题——用正则表达式解析各种数据格式。
说实话，我刚开始做嵌入式开发那会儿，遇到JSON、XML这些格式，第一反应就是去找现成的解析库。后来有一次在资源受限的MCU上做项目，库太大塞不进去，逼得我手写解析器。嗯，就是那次经历让我发现——正则表达式在某些场景下，比完整解析库更灵活、更轻量。
当然，我不是说让你用正则去替代成熟的解析器。但当你需要快速提取数据、做日志分析、或者写一次性脚本时，正则绝对是一把利器。
1.1 为什么用正则解析结构化数据？
你想想看，JSON、XML、YAML这些格式，本质上都是文本。既然是文本，正则就能派上用场。
我个人的习惯是：
- 生产环境：用成熟的解析库（如cJSON、libxml2）
- 调试/日志分析：用正则快速提取关键字段
- 资源受限环境：用正则实现轻量级解析器
核心原则：正则适合提取数据，不适合验证完整语法。别拿正则去校验JSON是否合法——那是解析器干的事。
1.2 用正则解析JSON
JSON的结构其实很简单：键值对，用花括号包裹。我们最常见的需求是提取某个字段的值。
举个例子，假设有这段JSON：
{
"name": "张三",
"age": 28,
"city": "北京"
}我想提取name字段的值。正则怎么写？
"name"\s*:\s*"([^"]*)"解释一下：
"name"：匹配字段名\s*:\s*：匹配冒号及可能的空格"([^"]*)"：匹配双引号内的值，用捕获组提取
我在项目中遇到过一个问题：JSON里的字符串值可能包含转义引号，比如"say: \"hello\""。这时候上面的正则就失效了。改进版：
"name"\s*:\s*"((?:[^"\\]|\\.)*)"这个正则考虑了转义字符，能正确匹配带引号的值。
小技巧：如果JSON是压缩格式（没有空格），去掉\s*即可。我经常写两个版本，一个给格式化JSON用，一个给压缩JSON用。
1.3 用正则解析XML
XML比JSON麻烦一点，因为有嵌套标签和属性。但如果我们只是提取标签内的文本，正则依然好用。
比如这段XML：
<person>
<name>李四</name>
<age>32</age>
</person>提取name标签内容的正则：
<name>(.*?)</name>这里用了.*?（非贪婪匹配），确保只匹配到第一个</name>就停下。
如果要提取属性值呢？比如：
<person id="123">提取id属性：
id\s*=\s*"([^"]*)"曾经踩过的坑：XML里可能有命名空间，比如<ns:name>。我一开始没注意，写死了标签名，结果解析全失败。后来改成<[^:]*:name>(.*?)</[^:]*:name>才搞定。
1.4 用正则解析YAML
YAML的语法更自由，缩进敏感。但正则依然能处理简单的键值对。
比如：
name: 王五
age: 25
city: 上海提取name值的正则：
^name:\s*(.*)$注意这里用了^和$锚定行首行尾，因为YAML是逐行解析的。
YAML还支持列表：
hobbies:
- 读书
- 游泳提取列表项：
^\s*-\s*(.*)$个人经验：YAML的嵌套结构用正则解析很吃力。我一般只用来提取顶层键值对，深层嵌套还是交给解析库。说白了，正则适合浅层提取。
1.5 用正则解析自定义格式
这才是正则真正的用武之地。很多老系统、日志文件、配置文件，用的都是非标准格式。这时候解析库帮不上忙，正则就是你的瑞士军刀。
举个例子，我曾经处理过这样的日志：
[2024-01-15 10:30:45] [INFO] 用户登录成功 - user_id=12345, ip=192.168.1.1提取时间、级别、用户ID和IP：
\[(.*?)\]\s*\[(.*?)\]\s*.*?user_id=(\d+),\s*ip=([0-9.]+)这个正则一次提取4个字段，效率很高。
再比如，自定义配置文件：
# 数据库配置
DB_HOST = localhost
DB_PORT = 3306
DB_USER = root提取键值对（忽略注释）：
^\s*([A-Z_]+)\s*=\s*(.*)$建议：写自定义格式的正则时，先写注释说明每一部分匹配什么。不然过两周你自己都看不懂。我吃过这个亏。
1.6 知识体系总览
下面这张图总结了本章的核心逻辑：
1.7 实战建议与避坑指南
最后，分享几条我这些年总结的经验：
- 先写测试用例：写正则前，先准备好输入和期望输出。我每次都是先写测试，再写正则。
- 注意贪婪与非贪婪：默认是贪婪匹配，容易匹配过多。用
.*?代替.*能避免很多问题。 - 考虑边界情况：空值、特殊字符、换行符——这些最容易翻车。
- 性能问题：复杂的正则回溯可能很慢。如果数据量大，考虑分段解析。
- 不要过度使用：如果格式嵌套超过3层，或者需要验证语法正确性，请用解析库。
我曾经犯过的错：有一次用正则解析嵌套JSON，写了100多字符的正则，结果一跑就栈溢出。后来老老实实改成逐层解析，代码反而更清晰。记住：正则不是万能的。
好了，这一章就到这里。正则解析数据格式，说白了就是用模式匹配去提取你关心的信息。掌握好这个思路，后面遇到什么格式都不慌。
公众号：蓝海资料掘金营，微信 deep3321