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。

• 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。

• 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。

• 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。

• “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。

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。

• l   锚号“^”和“$”
• l   词界“\b”“\B”
• l   析取符“|”

原文：http://www.cnblogs.com/kuqs/p/5727409.html