一：
正則在Perl、Py森、Ruby、Java等語言中文本的正則表達式幾乎是一樣的
以前常用到的在網上都有現成的例子拿來用，比如電話格式、郵箱格式之類的。
但是自然語言處理中往往會根據自己的需求來制定一個表達式，如果正則的知識掌握的比較片面，在編寫自然語言處理程序時可能會覺得苦惱。
在《自然語言處理簡明教程》里面有很系統的正則表達式教程，特意總結出來消化吸收。
二：
- 雙斜線“//”
最簡單的正則表達式就是這樣的，由類似於/hello world /的正則來搜索語料庫中包含子字符串“hello world”的任何字符串相匹配。/e/是可以匹配到字符串hello的。
- 中括號“[]”
[]會匹配其中的某一個字符。比如現在有嫌疑人，我們只知道他的名字可能是下面三種的某一種，分別是張偉、李偉或者黃偉。就可以使用/[張李黃]偉/來在人口數據庫中匹配。
| 正則 |
匹配 |
模式例子 |
| /[hH]/ello/
/[abc]/
/[1234567890]/ |
hello or Hello
‘a’或者’b’或者’c’
數字 |
“Hello!”
“happy~”
“1993年” |
- {}表示限制長度。如：.{1}表示匹配一個任意字符
- 連字符“-”
用來划定范圍，表示某一范圍內的任何字符。比如上個例子里面的/[1234567890]/是不是感覺很不方便。如果表示為/[0-9]/就會顯得精簡的多。
| 正則 |
匹配 |
模式例子 |
| /[A-Z]/
/[a-z]/
/[0-9]/ |
大寫字母
小寫字母
數字 |
“Hello!”
“happy~”
“1993年” |
- 脫字符“^”
如果在方括號之后有脫字符“^”，對應的模式就是否定的。
| 正則 |
匹配 |
模式例子 |
| /[^A-Z]/
/[^aA]/
/[0-9]/ |
非大寫字母
既不是a也不是A
數字 |
“Hello!”
“happy~”
“1993年” |
- 問號“?”
比如我們在語料庫中搜索詩人“李白”或者“李太白”，此時方括號就無法幫助我們，因為[]只能表示xx或者XX，但是不能表示有xx或者沒xx。此時可以用“?”來表示前一個字符有或者無。
| 正則 |
匹配 |
| /李太?白/
/times?/ |
“李白”或者“李太白”
time或者times |
- “Kleene*”
當正則表達式用來表示重復的字符時，比如在下載文件時，出現了下面的下載進度：
99.9%
99.99%
99.999%
99.9999%
……
此時我們可以用/9*/來表示重復了“0或者若干次”的字符“9”，因此想表示出現了一次或者多次的“9”，需要用/99*/。
因此/99\.99*%/可以用來表示上述進度條。（此處的“.”需要轉譯，因為我們不想讓他表示為通配符）
稍微復雜點：
/[10]*/可以用來表示一個二進制串，比如“1010100001110001”
- “Kleene+”
但是我用/99*/來表示重復了“0或者若干次”的字符“9”時總覺得多寫了一個“9”很不爽，這時有沒有辦法幫我們省掉多打一個“9”的時間呢？
/9+/就可以了~
因此使用/[10]+/來搜索語料中的二進制字符串看起來更順手
- 通配符“.”
哎那個馬什么民，幫我把襪子洗一下。
這樣說話是很不禮貌的，但是當我們確實忘了別人名字時怎么辦呢？
正則表達式同樣可以解決這個問題。
正則里面有一個點號，通配符（/./）可以表示任何字符。
/馬.民/可以在你的班級花名冊里面搜索到所有叫“馬X民”的人。
| 正則 |
匹配 |
模式例子 |
| /[beg.n]/
|
beg和n中包含一個字符的字符串 |
begin，beg‘n，begun |
當/./和/*/或者/+/碰到時，什么神奇的事情會發生呢？
比如我們想知道有一天 馬X民對黃偉做了什么事情，怎么寫正則來在班級日志里面縮小搜索范圍呢？
/馬.民.+黃偉/就可以表示在一個長字符串里面，符合馬X民bulabula黃偉的句子。
- 錨號“^”和“$”
顧名思義，錨號是用來把正則“錨”在字符串的特定位置的。最普通的錨號是“^”和“$”，當“^”用作錨號的時候，表示一行的開始。比如/^The/就表示單詞The必須出現在一句話的開頭。相反“$”表示一行的結尾。
回到上面的例子，比如我們想在班級日志里面找到“馬興民xxx黃偉。”這樣的句子，就可以使用錨號來定位。/^馬興民.+黃偉。$/
- 詞界“\b”“\B”
\b表示詞界，\B表示非詞界。
首先，在計算機語言里面，什么是一個詞呢。從技術上說，詞被定義為數字、下划線、或者字母的任何序列。
比如我們在搜索單詞“a”的時候，如果僅僅用/a/，同樣會匹配到類似於“happy”這樣的單詞，但是如果用/\ba\b/的話，就會只找到單詞a。比如“I am a handsome man.”
它僅僅會匹配到單詞“a”而非“am”。
- 析取符“|”
析取符表示或者。
前面有個小伙子很眼熟，我記得他的名字叫馬興民或者黃偉。現在我打開在線班級花名冊，輸入正則/黃偉|馬興民/，一下就找到了兩個人的信息和照片，一看哦都不是。
析取符就是用來表示或者，/a|b/表示a或者b。
在英文語料中，有時候會出現名詞的復數形式比如cat和cats，這種形式我們很容易表達。但是有些復數比如family的復數families該如何表達呢。
首先famil串已經是固定的了，這時我們只需要尾串跟上y或者ies即可，此時我們使用圓括號運算符()，將一個模式括起來，使得它就像一個單獨的字符。因此如果我們想找到語料中的family和families時，需要用/famil(y|ies)/，析取符僅僅運用於后綴y或者ies。
三：
- 通用字符集的替換
| 正則 |
擴充表達式 |
匹配 |
| \d \D \w \W \s \S |
[0-9] [^0-9] [a-zA-Z0-9] [^\w] [_\r\t\n\f] [^\s] |
數字字符 非數字字符 數字字母下划線 相反 表格，換行等空白區域 非空白區域 |
-
計數符
| 正則 |
匹配 |
| * + ? {n} {n,m} {n,} |
零或多 一或多 零或一 出現n次 n到m次 至少n次 |
- ? 貪婪模式與非貪婪模式
比如在HTML中有許多標簽<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>，此時為貪婪模式。
使用<div>.*?</div>匹配到的是:<div>part1</div>
- (?<=exp) (?=exp)零寬斷言
(?<=exp) 表示匹配exp之后的，(?=exp)表示匹配exp之前的。
比如上面標簽例子：<div>part1</div><div>part2</div><div>part3</div><div>part4</div>
如果我們僅僅想拿到標簽里面的內容，就可以使用零寬斷言：
(?<=<div>).*(?=</div>)此時匹配到：part1</div><div>part2</div><div>part3</div><div>part4
結合上面的零寬斷言：
(?<=<div>).*(?=</div>)此時匹配到：part1 part2 part3 part4
- 一個開發思路的例子
當我們想在語料中查找英語冠詞the的時候，隨手寫下正則/the/。
但是隨后發現有些地方是不完善的，比如當the出現在開頭的時候，就是The，因此我們把正則改成/[tT]he/。
此時這個正則還是不完善的，因為它會找到諸如There，other這樣的單詞，因此我們給它加上了詞界/\b[tT]he\b/。
問題又來了，假如我們不想把下划線和數字作為詞界，我們還希望能夠找到形如 _the，the99這樣的詞。此時我們需要給the的兩段加上限制：不能為字母。於是正則變成了/[^a-zA-Z][tT]he[^a-zA-Z]/。
萬事大吉了嗎？這時候我們發現，當the出現在開頭的時候，正則找不到它，因為我們規定了the的開頭必須有一個非英文字符，因此我們需要修改開頭為，the出現在開頭或者開頭有一個非英文字符。即/(^|[^a-zA-Z])[tT]he[^a-zA-Z]/。
終於到這里，一個符合要求的簡單的定冠詞the被搜索了出來。
平時書寫正則的時候也要注意，提升准確率，提升覆蓋率。
- 第二個例子
- 附上一個正則符號表
圖片出處：