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
- 附上一个正则符号表
图片出处：
