资源 ｜ 正则表达式的功法大全，做NLP再也不怕搞不定字符串了 选自Medium 作者：Jonny Fox 机器之心编译 参与：思源 在自然语言处理中，很多时候我们都需要从文本或字符串中抽取出想要的信息，并进一步做语义理解或其它处理。在本文中，作者由基础到高级介绍了很多正则表达式，这些表达式或规则在很多编程语言中都是通用的。 正则表达式（regex 或 regexp）对于从文本中抽取信息极其有用，它一般会搜索匹配特定模式的语句，而这种模式及具体的 ASCII 序列或 Unicode 字符。从解析/替代字符串、预处理数据到网页爬取，正则表达式的应用范围非常广。 其中一个比较有意思的地方是，只要我们学会了正则表达式的语句，我们几乎可以将其应用于多有的编程语言，包括 JavaScript、Python、Ruby 和 Java 等。只不过对于各编程语言所支持的最高级特征与语法有细微的区别。 下面我们可以具体讨论一些案例与解释。 基本语句 锚点：^ 和 $ ^The匹配任何以“The”开头的字符串-Tryit!(https://regex101.com/r/cO8lqs/2) end$匹配以“end”为结尾的字符串 ^Theend$抽取匹配从“The”开始到“end”结束的字符串 roar匹配任何带有文本“roar”的字符串 数量符：*、+、？和 {} abc*匹配在“ab”后面跟着零个或多个“c”的字符串-Tryit!(https://regex101.com/r/cO8lqs/1) abc+匹配在“ab”后面跟着一个或多个“c”的字符串 abc?匹配在“ab”后面跟着零个或一个“c”的字符串 abc{2}匹配在“ab”后面跟着两个“c”的字符串 abc{2,}匹配在“ab”后面跟着两个或更多“c”的字符串 abc{2,5}匹配在“ab”后面跟着2到5个“c”的字符串 a(bc)*匹配在“a”后面跟着零个或更多“bc”序列的字符串 a(bc){2,5}匹配在“a”后面跟着2到5个“bc”序列的字符串 或运算符：| 、 [] a(b|c)匹配在“a”后面跟着“b”或“c”的字符串-Tryit!(https://regex101.com/r/cO8lqs/3) a[bc]匹配在“a”后面跟着“b”或“c”的字符串 字符类：\d、\d、\s 和 . \d匹配数字型的单个字符-Tryit!(https://regex101.com/r/cO8lqs/4) \w匹配单个词字（字母加下划线）-Tryit!(https://regex101.com/r/cO8lqs/4) \s匹配单个空格字符（包括制表符和换行符） .匹配任意字符-Tryit!(https://regex101.com/r/cO8lqs/5) 使用「.」运算符需要非常小心，因为常见类或排除型字符类都要更快与精确。\d、\w 和\s 同样有它们各自的排除型字符类，即\D、\W 和\S。例如\D 将执行与\d 完全相反的匹配方法： \D匹配单个非数字型的字符-Tryit!(https://regex101.com/r/cO8lqs/6) 为了正确地匹配，我们必须使用转义符反斜杠「\」定义我们需要匹配的符号「^.[$()|*+?{\」，因为我们可能认为这些符号在原文本中有特殊的含义。 \$\d匹配在单个数字前有符号“$”的字符串-Tryit!(https://regex101.com/r/cO8lqs/9) 注意我们同样能匹配 non-printable 字符，例如 Tab 符「\t」、换行符「\n」和回车符「\r」 Flags 我们已经了解如何构建正则表达式，但仍然遗漏了一个非常基础的概念：flags。 正则表达式通常以/abc/这种形式出现，其中搜索模式由两个反斜杠「/」分离。而在模式的结尾，我们通常可以指定以下 flag 配置或它们的组合： g（global）在第一次完成匹配后并不会返回结果，它会继续搜索剩下的文本。 m（multi line）允许使用^和$匹配一行的开始和结尾，而不是整个序列。 i（insensitive）令整个表达式不区分大小写（例如/aBc/i 将匹配 AbC）。 中级语句 分组和捕获：() a(bc)圆括弧会创建一个捕获性分组，它会捕获匹配项“bc”-Tryit!(https://regex101.com/r/cO8lqs/11) a(?:bc)*使用“?:”会使捕获分组失效，只需要匹配前面的“a”-Tryit!(https://regex101.com/r/cO8lqs/12) a(?foobc)使用“?foo”会为分组配置一个名称-Tryit!(https://regex101.com/r/cO8lqs/17) 捕获性圆括号 () 和非捕获性圆括弧 (?:) 对于从字符串或数据中抽取信息非常重要，我们可以使用 Python 等不同的编程语言实现这一功能。从多个分组中捕获的多个匹配项将以经典的数组形式展示：我们可以使用匹配结果的索引访问它们的值。 如果需要为分组添加名称（使用 (?foo...)），我们就能如字典那样使用匹配结果检索分组的值，其中字典的键为分组的名称。 方括弧表达式：[] [abc]匹配带有一个“a”、“ab”或“ac”的字符串-与a|b|c一样-Tryit!(https://regex101.com/r/cO8lqs/7) [a-c]匹配带有一个“a”、“ab”或“ac”的字符串-与a|b|c一样 [a-fA-F0-9]匹配一个代表16进制数字的字符串，不区分大小写-Tryit!(https://regex101.com/r/cO8lqs/22) [0-9]%匹配在%符号前面带有0到9这几个字符的字符串 [^a-zA-Z]匹配不带a到z或A到Z的字符串，其中^为否定表达式-Tryit!(https://regex101.com/r/cO8lqs/10) 记住在方括弧内，所有特殊字符（包括反斜杠\）都会失去它们应有的意义。 Greedy 和 Lazy 匹配 数量符（* + {}）是一种贪心运算符，所以它们会遍历给定的文本，并尽可能匹配。例如， 可以匹配文本「This is a div simple div/div test」中的「divsimple div/div」。为了仅捕获 div 标签，我们需要使用「？」令贪心搜索变得 Lazy 一点： .+?一次或多次匹配“”和“”里面的任何字符，可按需扩展-Tryit!(https://regex101.com/r/cO8lqs/24) 注意更好的解决方案应该需要避免使用「.」，这有利于实现更严格的正则表达式： 一次或多次匹配“”和“”里面的任何字符，除去“”或“”字符-Tryit!(https://regex101.com/r/cO8lqs/23) 高级语句 边界符：\b 和 \B \babc\b执行整词匹配搜索-Tryit!(https://regex101.com/r/cO8lqs/25) \b 如插入符号那样表示一个锚点（它与$和^相同）来匹配位置，其中一边是一个单词符号（如\w），另一边不是单词符号（例如它可能是字符串的起始点或空格符号）。 它同样能表达相反的非单词边界「\B」，它会匹配「\b」不会匹配的位置，如果我们希望找到被单词字符环绕的搜索模式，就可以使用它。 \Babc\B只要是被单词字符环绕的模式就会匹配-Tryit!(https://regex101.com/r/cO8lqs/26) 前向匹配和后向匹配：(?=) 和 (?=) d(?=r)只有在后面跟着“r”的时候才匹配“d”，但是“r”并不会成为整个正则表达式匹配的一部分-Tryit!(https://regex101.com/r/cO8lqs/18) (?=r)d只有在前面跟着“r”时才匹配“d”，但是“r”并不会成为整个正则表达式匹配的一部分-Tryit!(https://regex101.com/r/cO8lqs/19) 我们同样能使用否定运算子： d(?!r)只有在后面不跟着“r”的时候才匹配“d”，但是“r”并不会成为整个正则表达式匹配的一部分-Tryit!(https://regex101.com/r/cO8lqs/20) (?!r)d只有在前面不跟着“r”时才匹配“d”，但是“r”并不会成为整个正则表达式匹配的一部分**-***Tryit!*(https://regex101.com/r/cO8lqs/21) 结语 正如上文所示，正则表达式的应用领域非常广，很可能各位读者在开发的过程中已经遇到了它，下面是正则表达式常用的领域： 数据验证，例如检查时间字符串是否符合格式； 数据抓取，以特定顺序抓取包含特定文本或内容的网页； 数据包装，将数据从某种原格式转换为另外一种格式； 字符串解析，例如捕获所拥有 URL 的 GET 参数，或捕获一组圆括弧内的文本； 字符串替代，将字符串中的某个字符替换为其它字符。 原文链接：https://medium.com/factory-mind/regex-tutorial-a-simple-cheatsheet-by-examples-649dc1c3f285 本文为机器之心编译，转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com 投稿或寻求报道：content@jiqizhixin.com 广告 & 商务合作：bd@jiqizhixin.com