正則表達式的功法大全，做NLP再也不怕搞不定字元串了

選自Medium

作者：Jonny Fox

機器之心編譯

參與：思源

在自然語言處理中，很多時候我們都需要從文本或字元串中抽取出想要的信息，並進一步做語義理解或其它處理。在本文中，作者由基礎到高級介紹了很多正則表達式，這些表達式或規則在很多編程語言中都是通用的。

正則表達式（regex 或 regexp）對於從文本中抽取信息極其有用，它一般會搜索匹配特定模式的語句，而這種模式及具體的 ASCII 序列或 Unicode 字元。從解析/替代字元串、預處理數據到網頁爬取，正則表達式的應用範圍非常廣。

其中一個比較有意思的地方是，只要我們學會了正則表達式的語句，我們幾乎可以將其應用於多有的編程語言，包括 JavaScript、Python、Ruby 和 Java 等。只不過對於各編程語言所支持的最高級特徵與語法有細微的區別。

下面我們可以具體討論一些案例與解釋。

基本語句

錨點：^ 和 $

數量符：*、+、？和 {}

或運算符：| 、 []

字元類：d、d、s 和 .

使用「.」運算符需要非常小心，因為常見類或排除型字元類都要更快與精確。d、w 和s 同樣有它們各自的排除型字元類，即D、W 和S。例如D 將執行與d 完全相反的匹配方法：

為了正確地匹配，我們必須使用轉義符反斜杠「」定義我們需要匹配的符號「^.[$()|*+?{」，因為我們可能認為這些符號在原文本中有特殊的含義。

注意我們同樣能匹配 non-printable 字元，例如 Tab 符「 」、換行符「
」和回車符「
」

Flags

我們已經了解如何構建正則表達式，但仍然遺漏了一個非常基礎的概念：flags。

正則表達式通常以/abc/這種形式出現，其中搜索模式由兩個反斜杠「/」分離。而在模式的結尾，我們通常可以指定以下 flag 配置或它們的組合：

g（global）在第一次完成匹配後並不會返回結果，它會繼續搜索剩下的文本。

m（multi line）允許使用^和$匹配一行的開始和結尾，而不是整個序列。

i（insensitive）令整個表達式不區分大小寫（例如/aBc/i 將匹配 AbC）。

中級語句

分組和捕獲：()

捕獲性圓括弧 () 和非捕獲性圓括弧 (?:) 對於從字元串或數據中抽取信息非常重要，我們可以使用 Python 等不同的編程語言實現這一功能。從多個分組中捕獲的多個匹配項將以經典的數組形式展示：我們可以使用匹配結果的索引訪問它們的值。

如果需要為分組添加名稱（使用 (?...)），我們就能如字典那樣使用匹配結果檢索分組的值，其中字典的鍵為分組的名稱。

方括弧表達式：[]

記住在方括弧內，所有特殊字元（包括反斜杠）都會失去它們應有的意義。

Greedy 和 Lazy 匹配

數量符（* + {}）是一種貪心運算符，所以它們會遍歷給定的文本，並儘可能匹配。例如， 可以匹配文本「This is a

simple div

test」中的「

simple div

」。為了僅捕獲 div 標籤，我們需要使用「？」令貪心搜索變得 Lazy 一點：

注意更好的解決方案應該需要避免使用「.」，這有利於實現更嚴格的正則表達式：

高級語句

邊界符： 和 B

 如插入符號那樣表示一個錨點（它與$和^相同）來匹配位置，其中一邊是一個單詞符號（如w），另一邊不是單詞符號（例如它可能是字元串的起始點或空格符號）。

它同樣能表達相反的非單詞邊界「B」，它會匹配「」不會匹配的位置，如果我們希望找到被單詞字元環繞的搜索模式，就可以使用它。

前向匹配和後向匹配：(?=) 和 (?

我們同樣能使用否定運運算元：

結語

正如上文所示，正則表達式的應用領域非常廣，很可能各位讀者在開發的過程中已經遇到了它，下面是正則表達式常用的領域：

數據驗證，例如檢查時間字元串是否符合格式；

數據抓取，以特定順序抓取包含特定文本或內容的網頁；

數據包裝，將數據從某種原格式轉換為另外一種格式；

字元串解析，例如捕獲所擁有 URL 的 GET 參數，或捕獲一組圓括弧內的文本；

字元串替代，將字元串中的某個字元替換為其它字元。

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！