正则表达式中常用符号

一: 正则在Perl、Py森、Ruby、Java等语言中文本的正则表达式几乎是一样的 以前常用到的在网上都有现成的例子拿来用,比如电话格式、邮箱格式之

一:

 

正则在Perl、Py森、Ruby、Java等语言中文本的正则表达式几乎是一样的

 

以前常用到的在网上都有现成的例子拿来用,比如电话格式、邮箱格式之类的。

 

但是自然语言处理中往往会根据自己的需求来制定一个表达式,如果正则的知识掌握的比较片面,在编写自然语言处理程序时可能会觉得苦恼。

 

在《自然语言处理简明教程》里面有很系统的正则表达式教程,特意总结出来消化吸收。

 

二:

 

  • 双斜线“//”

    最简单的正则表达式就是这样的,由类似于/hello world /的正则来搜索语料库中包含子字符串“hello world”的任何字符串相匹配。/e/是可以匹配到字符串hello的。

 

 

  • 中括号“[]”

    []会匹配其中的某一个字符。比如现在有嫌疑人,我们只知道他的名字可能是下面三种的某一种,分别是张伟、李伟或者黄伟。就可以使用/[张李黄]伟/来在人口数据库中匹配。

正则

匹配

模式例子

/[hH]/ello/

 

/[abc]/

 

/[1234567890]/

hello or Hello

 

‘a’或者’b’或者’c’

 

数字

Hello!”

 

“happy~”

 

1993年”

 

 

 

 

 

 

 

 

  • {}表示限制长度。如:.{1}表示匹配一个任意字符 

 

  • 连字符“-”

    用来划定范围,表示某一范围内的任何字符。比如上个例子里面的/[1234567890]/是不是感觉很不方便。如果表示为/[0-9]/就会显得精简的多。

正则

匹配

模式例子

/[A-Z]/

 

/[a-z]/

 

/[0-9]/

大写字母

 

小写字母

 

数字

Hello!”

 

happy~”

 

1993年”

 

 

 

 

 

 

 

 

  • 脱字符“^”

    如果在方括号之后有脱字符“^”,对应的模式就是否定的。

正则

匹配

模式例子

/[^A-Z]/

 

/[^aA]/

 

/[0-9]/

非大写字母

 

既不是a也不是A

 

数字

“Hello!”

 

happy~”

 

1993年”

 

 

 

 

 

 

 

 

  • 问号“?”

    比如我们在语料库中搜索诗人“李白”或者“李太白”,此时方括号就无法帮助我们,因为[]只能表示xx或者XX,但是不能表示有xx或者没xx。此时可以用“?”来表示前一个字符有或者无。

正则

匹配

/李太?白/

 

/times?/

“李白”或者“李太白”

 

time或者times

 

 

 

 

 

 

 

  • “Kleene*”

    当正则表达式用来表示重复的字符时,比如在下载文件时,出现了下面的下载进度:

99.9%

99.99%

99.999%

99.9999%

……

此时我们可以用/9*/来表示重复了“0或者若干次”的字符“9”,因此想表示出现了一次或者多次的“9”,需要用/99*/。

因此/99\.99*%/可以用来表示上述进度条。(此处的“.”需要转译,因为我们不想让他表示为通配符)

稍微复杂点:

/[10]*/可以用来表示一个二进制串,比如“1010100001110001”

 

 

  • “Kleene+”

但是我用/99*/来表示重复了“0或者若干次”的字符“9”时总觉得多写了一个“9”很不爽,这时有没有办法帮我们省掉多打一个“9”的时间呢?

/9+/就可以了~

因此使用/[10]+/来搜索语料中的二进制字符串看起来更顺手

 

 

  • 通配符“.”

哎那个马什么民,帮我把袜子洗一下。

这样说话是很不礼貌的,但是当我们确实忘了别人名字时怎么办呢?

正则表达式同样可以解决这个问题。

正则里面有一个点号,通配符(/./)可以表示任何字符。

/马.民/可以在你的班级花名册里面搜索到所有叫“马X民”的人。

 

正则

匹配

模式例子

/[beg.n]/

 

beg和n中包含一个字符的字符串

begin,beg‘n,begun

 

 

 

 

 

 

当/./和/*/或者/+/碰到时,什么神奇的事情会发生呢?

比如我们想知道有一天 马X民对黄伟做了什么事情,怎么写正则来在班级日志里面缩小搜索范围呢?

/马.民.+黄伟/就可以表示在一个长字符串里面,符合马X民bulabula黄伟的句子。

 

  • 锚号“^”和“$”

顾名思义,锚号是用来把正则“锚”在字符串的特定位置的。最普通的锚号是“^”和“$”,当“^”用作锚号的时候,表示一行的开始。比如/^The/就表示单词The必须出现在一句话的开头。相反“$”表示一行的结尾。

回到上面的例子,比如我们想在班级日志里面找到“马兴民xxx黄伟。”这样的句子,就可以使用锚号来定位。/^马兴民.+黄伟。$/

 

  • 词界“\b”“\B”

  

\b表示词界,\B表示非词界。

首先,在计算机语言里面,什么是一个词呢。从技术上说,词被定义为数字、下划线、或者字母的任何序列。

比如我们在搜索单词“a”的时候,如果仅仅用/a/,同样会匹配到类似于“happy”这样的单词,但是如果用/\ba\b/的话,就会只找到单词a。比如“I am a handsome man.”

它仅仅会匹配到单词“a”而非“am”。

 

  • 析取符“|”

析取符表示或者。

前面有个小伙子很眼熟,我记得他的名字叫马兴民或者黄伟。现在我打开在线班级花名册,输入正则/黄伟|马兴民/,一下就找到了两个人的信息和照片,一看哦都不是。

析取符就是用来表示或者,/a|b/表示a或者b。

在英文语料中,有时候会出现名词的复数形式比如cat和cats,这种形式我们很容易表达。但是有些复数比如family的复数families该如何表达呢。

首先famil串已经是固定的了,这时我们只需要尾串跟上y或者ies即可,此时我们使用圆括号运算符(),将一个模式括起来,使得它就像一个单独的字符。因此如果我们想找到语料中的family和families时,需要用/famil(y|ies)/,析取符仅仅运用于后缀y或者ies。

 

 

三:

  •  通用字符集的替换

  

正则

扩充表达式

匹配

\d

\D

\w

\W

\s

\S

[0-9]

[^0-9]

[a-zA-Z0-9]

[^\w]

[_\r\t\n\f]

[^\s]

数字字符

非数字字符

数字字母下划线

相反

表格,换行等空白区域

非空白区域

 

 

 

 

 

 

 

 

 

  • 计数符

正则

匹配

*

+

?

{n}

{n,m}

{n,}

零或多

一或多

零或一

出现n次

n到m次

至少n次

 

 

 

 

 

 

 

 

  •  ? 贪婪模式与非贪婪模式

     比如在HTML中有许多标签<div>part1</div><div>part2</div><div>part3</div><div>part4</div>

    使用<div>.*</div>匹配到的是:<div>part1</div><div>part2</div><div>part3</div><div>part4</div>,此时为贪婪模式。

    使用<div>.*?</div>匹配到的是:<div>part1</div>

  • (?<=exp) (?=exp)零宽断言

    (?<=exp) 表示匹配exp之后的,(?=exp)表示匹配exp之前的。

    比如上面标签例子:<div>part1</div><div>part2</div><div>part3</div><div>part4</div>

    如果我们仅仅想拿到标签里面的内容,就可以使用零宽断言:

    (?<=<div>).*(?=</div>)此时匹配到:part1</div><div>part2</div><div>part3</div><div>part4

    结合上面的零宽断言:

    (?<=<div>).*?(?=</div>)此时匹配到:part1 part2 part3 part4

    

  • 一个开发思路的例子

    当我们想在语料中查找英语冠词the的时候,随手写下正则/the/。

    但是随后发现有些地方是不完善的,比如当the出现在开头的时候,就是The,因此我们把正则改成/[tT]he/。

    此时这个正则还是不完善的,因为它会找到诸如There,other这样的单词,因此我们给它加上了词界/\b[tT]he\b/。

    问题又来了,假如我们不想把下划线和数字作为词界,我们还希望能够找到形如 _the,the99这样的词。此时我们需要给the的两段加上限制:不能为字母。于是正则变成了/[^a-zA-Z][tT]he[^a-zA-Z]/。

    万事大吉了吗?这时候我们发现,当the出现在开头的时候,正则找不到它,因为我们规定了the的开头必须有一个非英文字符,因此我们需要修改开头为,the出现在开头或者开头有一个非英文字符。即/(^"[^a-zA-Z])[tT]he[^a-zA-Z]/。

 

    终于到这里,一个符合要求的简单的定冠词the被搜索了出来。

    平时书写正则的时候也要注意,提升准确率,提升覆盖率。

  •  第二个例子

用正则给字符串添加空格

 

  •   附上一个正则符号表

图片出处:

http://bbs.9ria.com/thread-3900-1-1.html