今天我们要学两个看似不相关、实则都离不开的技能：
正则表达式：在一堆杂乱文本里快速找到你想要的那类信息，像侦探一样。
MySQL：把结构化数据规规矩矩地存起来、查出来，像管家一样。
一个负责“清洗”，一个负责“存储”，都是 AI 数据处理中绕不开的工具。

---

一、正则表达式：文字的“通缉令”

1. 为什么要学正则？

想象你手上有 1000 页的聊天记录，想找出所有的手机号。
用普通方法：挨个搜 138、139、150…… 累死，而且还有不同号段。
用正则：写一条规则 “11位数字，第一位是1”，一秒钟全部提取出来。

正则就是一种描述字符串模式的语言。它不是 Python 独有，几乎所有编程语言都支持。

2. 什么时候不需要正则？

如果只是找一句话里有没有 “Python” 这个词，直接用 if "Python" in text: 就行。杀鸡不用牛刀。

3. Python 里怎么用正则？（re 模块）

三步走：

• 导入 import re

• 写一个规则（一般用原始字符串 r"..." 避免转义麻烦）

• 用 re.findall()、re.search() 或 re.match() 去查找

三个常用函数的区别（面试常考）：

函数	行为	返回
re.match()	从字符串开头匹配	匹配对象或 None
re.search()	扫描整个字符串，返回第一个匹配	匹配对象或 None
re.findall()	扫描整个字符串，返回所有匹配	列表

比喻：

• match 像保安，只看你进门的第一步是不是 VIP。

• search 像在图书馆找第一本提到“Python”的书。

• findall 像把所有提到“Python”的书都找出来。

---

二、正则规则入门（记住最常用的几个）

1. 匹配单个字符（就像“万能钥匙”）

写法	含义	举例
.	任意一个字符（除了换行）	"a.b" 可匹配 "aab"、"a3b"
\d	一个数字	"身份证号后4位是\d\d\d\d"
\D	一个非数字
\w	字母、数字、下划线、汉字
\s	空白（空格、Tab、换行）
[abc]	只能是 a、b、c 中的一个	"[Pp]ython" 匹配 Python 或 python
[^abc]	除了 a、b、c 的任意一个

2. 匹配多个字符（“数量词”）

写法	含义	举例
*	前一个字符出现 0 次或多次	"wo*" 可匹配 "woo"、"w"
+	前一个字符出现 1 次或多次	"wo+" 匹配 "wo"、"woo"，不匹配 "w"
?	前一个字符出现 0 次或 1 次	"https?" 匹配 http 或 https
{m}	恰好 m 次	\d{11} 就是 11 位数字
{m,n}	m 到 n 次	\d{3,5} 匹配 3~5 位数字

注意：量词只修饰它前面的一个字符或一个括号里的整体。比如 AB{3} 表示 A 后面跟 3 个 B，不是 AB 重复三次。

3. 指定开头和结尾（“边境检查”）

• ^ 匹配字符串开头

• $ 匹配字符串结尾

重要场景：校验整个字符串是否符合格式。比如要判断一个字符串是不是合法的手机号，不能只写 \d{11}（这样 "abc13800138000xyz" 也会被提取出手机号，但整体不合法）。
正确写法：^1\d{10}$ —— 从头到尾必须正好是 1 开头 + 10 位数字，多一个字符都不行。

4. 分组 —— 从匹配结果中“拆零件”

用圆括号 () 表示一个分组。比如要提取日期中的年、月、日：

(\d{4})-(\d{2})-(\d{2})

• 整体 group() 得到 "2025-12-31"

• group(1) 得到 "2025"

• group(2) 得到 "12"

• group(3) 得到 "31"

分组非常有用，比如从日志里提取时间、IP、状态码等。

5. 贪婪与非贪婪（“贪吃蛇 vs 细嚼慢咽”）

默认情况下，* 和 + 是贪婪的：它们会尽量多匹配字符。
比如用 <.*> 去匹配 <title>首页</title>，它会一口气从第一个 < 吃到最后一个 >，结果是整个 "<title>首页</title>"，而不是分别拿到 <title> 和 </title>。

要改成非贪婪，在 * 或 + 后面加 ?：<.*?> 就会匹配最短的：先匹配 <title>，然后下一次再匹配 </title>。

记住：非贪婪是“见好就收”。

---

三、实战：清洗一段“脏”文本（RAG 文档清洗）

假设我们有一段课程问答记录，里面有各种噪声：

第 3 页
【公司机密】不得外传
学生问：怎么用 re.findall？
电话联系：13912345678

页脚：第3页

我们想提取手机号，并删除页码、机密标记、页脚、多余空行。

思路（换一个例子，但原理相同）：

1. 提取手机号：\d{11}

2. 删除页码：第\s*\d+\s*页

3. 删除【...】标记：【.*?】

4. 删除“页脚：”所在行：页脚：.*

5. 压缩多个换行：\n{2,} 替换成 \n

用 re.sub() 做替换，把匹配到的内容变成空字符串或单个换行。

这样清洗完，剩下的就是干净的问题文本，可以送去做切分和向量化。

---

四、MySQL：像 Excel 一样管理数据，但更强大

正则处理的是非结构化文本。而很多时候，我们需要存结构化数据，比如商品列表、用户信息、订单记录。这时候就要用数据库。

1. 几个核心概念

• 数据库：一个大的仓库（比如“电商仓库”）。

• 数据表：仓库里的一个个货架（比如“商品表”、“用户表”）。

• 字段：货架上的格子（比如“商品名称”、“价格”）。

• 记录：货架里的一件具体商品。

2. SQL 分类（记住三类即可）

类别	作用	关键字
DDL	定义结构（建库、建表、删表）	CREATE、DROP、ALTER
DML	操作数据（增、改、删）	INSERT、UPDATE、DELETE
DQL	查询数据	SELECT

记忆口诀：DDL 动结构，DML 动数据，DQL 查数据。

3. 动手做：创建一个“书籍管理”库（不用原笔记的电商例子）

假设我们想存书籍和作者信息。

第一步：建库

CREATE DATABASE book_library DEFAULT CHARSET utf8mb4;
USE book_library;

第二步：建表

作者表（author）：

• id（主键，自动编号）

• name（作者名，不能为空）

书籍表（book）：

• id（主键）

• title（书名）

• price（价格）

• author_id（关联作者表的 id）

这样设计，避免每本书都把作者名重复存一遍。

第三步：插入数据

INSERT INTO author(name) VALUES ('鲁迅'), ('余华'), ('刘慈欣');

INSERT INTO book(title, price, author_id) VALUES 
('呐喊', 28.00, 1),
('活着', 39.00, 2),
('三体', 68.00, 3),
('朝花夕拾', 25.00, 1);

第四步：修改和删除（务必加 WHERE）

-- 把三体的价格改成 59
UPDATE book SET price = 59.00 WHERE title = '三体';

-- 删除价格低于 30 的书
DELETE FROM book WHERE price < 30;

警告：不写 WHERE 会修改或删除整张表的数据，新手最容易犯的错。

---

五、查询数据：从简单到复杂

1. 单表查询

• 查所有：SELECT * FROM book;

• 只查书名和价格：SELECT title, price FROM book;

• 加条件：SELECT * FROM book WHERE price > 30;

• 排序：SELECT * FROM book ORDER BY price DESC;（降序）

• 聚合统计：SELECT COUNT(*), AVG(price) FROM book;

• 分组统计：SELECT author_id, COUNT(*) FROM book GROUP BY author_id;

• 分页：SELECT * FROM book LIMIT 0, 2;（从第0条取2条）

2. 多表查询（重点）

想查“书名 + 作者名”，这两个信息分别在 book 表和 author 表里，需要连接。

内连接（INNER JOIN）：只返回两边都能匹配上的记录。

SELECT b.title, a.name 
FROM book b
INNER JOIN author a ON b.author_id = a.id;

结果会显示每本书及其作者名。如果某本书的 author_id 不存在于 author 表，那本书就不会出现。

左连接（LEFT JOIN）：保留左表（book）的所有记录，右表（author）匹配不到的地方填 NULL。

SELECT b.title, a.name 
FROM book b
LEFT JOIN author a ON b.author_id = a.id;

子查询：先查一个结果，再作为条件。

比如：查询价格高于平均价格的书。

SELECT * FROM book 
WHERE price > (SELECT AVG(price) FROM book);

括号里的子查询先算出平均价，外层再用它筛选。

---

六、正则与 MySQL 的实际应用（AI 方向）

• RAG 文档清洗：用正则去掉页眉页脚、特殊标记、多余空白，让文档分块更干净。

• 日志分析：用正则从服务器日志提取 IP、时间、错误码，存入 MySQL 做统计。

• 数据校验：前端传过来的手机号、邮箱，后端用正则校验格式，再存入数据库。

• 全文搜索：MySQL 也支持简单的正则匹配（REGEXP），但大数据量一般会转用 Elasticsearch。

---

七、总结

• 正则是一个“模式描述”工具，用于匹配、提取、替换一类字符串。

• 记住常用规则：\d、\w、\s、.、*、+、?、{m}、^、$、()、.*?。

• re.match vs re.search vs re.findall 的区别。

• MySQL 的 DDL、DML、DQL 三大类 SQL。

• 单表查询：SELECT、WHERE、ORDER BY、GROUP BY、LIMIT。

• 多表查询：内连接、左连接、子查询。

• UPDATE 和 DELETE 必须带 WHERE，否则整张表遭殃。