悠悠楠杉
网站页面
Golang正则表达式：精确提取数量与单位对的实战指南，golang 正则表达式
11/21
![]()
在Go语言开发中，面对大量结构化或半结构化的文本数据，如何高效准确地提取“数量+单位”组合（如“5kg”、“12.5米”）是一个常见挑战。本文深入探讨使用Golang标准库regexp进行此类提取的实战技巧，结合真实场景，提供可复用的代码模式和避坑建议。
在日常开发中，我们经常需要从用户输入、日志文件或配置信息中解析出带有物理量的数据。比如：“库存剩余3.2吨”、“长度为150厘米”、“服用剂量2片”。这些信息的核心是“数值”与“单位”的组合。如果靠手动切割字符串，不仅效率低，还容易遗漏边界情况。而正则表达式，正是解决这类问题的利器。
Golang内置的regexp包功能强大且性能优异，虽然不支持PCRE的所有特性（如后向引用），但对于大多数文本提取任务已经绰绰有余。关键在于写出既精确又具容错性的正则模式。
我们先来看一个基础需求：从一段话中找出所有“数字+单位”的组合。常见的单位包括“kg”、“g”、“米”、“厘米”、“mm”、“片”、“瓶”等。数值可能是整数，也可能是小数，甚至包含千分位分隔符（虽然中文环境下较少见）。
首先定义我们的目标格式：
- 数值部分：可以是整数（如123），也可以是小数（如4.56），允许前面有空格或无空格。
- 单位部分：紧跟数值之后，由汉字或英文字母组成，长度通常为1到4个字符。
基于此，我们可以构建如下正则表达式：
go
package main
import (
"fmt"
"regexp"
)
func extractQuantityWithUnit(text string) {
// 匹配模式：可选空格 + 数字（含小数） + 可选空格 + 单位（中英文）
pattern := \s*(\d+(?:\.\d+)?)\s*([a-zA-Z\u4e00-\u9fa5]{1,4})
re := regexp.MustCompile(pattern)
matches := re.FindAllStringSubmatch(text, -1)
for _, match := range matches {
if len(match) >= 3 {
quantity := match[1] // 数值
unit := match[2] // 单位
fmt.Printf("提取到：数量=%s，单位=%s\n", quantity, unit)
}
}
}
func main() {
text := "请准备5kg面粉和2.5公斤白糖，另需10片维生素C。"
extractQuantityWithUnit(text)
}
运行结果会输出：
提取到：数量=5，单位=kg
提取到：数量=2.5，单位=公斤
提取到：数量=10，单位=片
这个例子展示了基本的捕获组使用方式。我们通过两个括号分别捕获数值和单位，并利用\u4e00-\u9fa5来匹配中文字符。值得注意的是，(?:\.\d+)?这部分使用了非捕获组，表示小数点及其后数字是可选的，但不会单独作为一个子匹配返回。
但在实际项目中，问题往往更复杂。例如，用户可能输入“3.5 千 克”（中间有空格），或者“约8ml液体”。这时就需要增强正则的容错能力。
改进方案之一是放宽空格限制，并加入常见前缀词的忽略机制：
go
pattern := `\b(?:约|大约|大概)?\s*(\d+(?:\.\d+)?)\s*([a-zA-Z\u4e00-\u9fa5]{1,4})\b`
这里\b表示单词边界，避免匹配到身份证号等长数字串；(?:约|大约|大概)?是非捕获组，用于跳过常见的模糊量词。
此外，还需注意性能问题。若频繁调用正则，应将regexp.MustCompile的结果缓存起来，避免重复编译。特别是在Web服务中处理大量请求时，这一点尤为重要。
另一个常见陷阱是贪婪匹配。例如，如果单位列表中有“克”和“千克”，而正则未做优先级控制，可能会错误地将“5千克”拆成“5千”+“克”。解决方案是按单位长度从长到短排序，或使用更精确的枚举：
go
units := "(?:kg|g|千克|克|米|厘米|mm|片|瓶|盒)"
pattern := `\s*(\d+(?:\.\d+)?)\s*` + units
