一：

正則在Perl、Py森、Ruby、Java等語言中文字的正則表示式幾乎是一樣的

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示式，如果正則的知識掌握的比較片面，在編寫自然語言處理程式時可能會覺得苦惱。

在《自然語言處理簡明教程》裡面有很系統的正則表示式教程，特意總結出來消化吸收。

二：

• 雙斜線“//”

　　　　最簡單的正則表示式就是這樣的，由類似於/hello world /的正則來搜尋語料庫中包含子字串“hello world”的任何字串相匹配。/e/是可以匹配到字串hello的。

• 中括號“[]”

　　　　[]會匹配其中的某一個字元。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/來在人口資料庫中匹配。

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元 

• 連字元“-”

　　　　用來劃定範圍，表示某一範圍內的任何字元。比如上個例子裡面的/[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”

• 脫字元“^”

　　　　如果在方括號之後有脫字元“^”，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“?”來表示前一個字元有或者無。

正則	匹配
/李太?白/ /times?/	“李白”或者“李太白” time或者times

• “Kleene*”

　　　　當正則表示式用來表示重複的字元時，比如在下載檔案時，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*/來表示重複了“0或者若干次”的字元“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萬用字元）

稍微複雜點：

/[10]*/可以用來表示一個二進位制串，比如“1010100001110001”

• “Kleene+”

但是我用/99*/來表示重複了“0或者若干次”的字元“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]+/來搜尋語料中的二進位制字串看起來更順手

• 萬用字元“.”

哎那個馬什麼民，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麼辦呢？

正則表示式同樣可以解決這個問題。

正則裡面有一個點號，萬用字元（/./）可以表示任何字元。

/馬.民/可以在你的班級花名冊裡面搜尋到所有叫“馬X民”的人。

正則	匹配	模式例子
/[beg.n]/	beg和n中包含一個字元的字串	begin，beg‘n，begun

當/./和/*/或者/+/碰到時，什麼神奇的事情會發生呢？

比如我們想知道有一天 馬X民對黃偉做了什麼事情，怎麼寫正則來在班級日誌裡面縮小搜尋範圍呢？

/馬.民.+黃偉/就可以表示在一個長字串裡面，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誌裡面找到“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，在計算機語言裡面，什麼是一個詞呢。從技術上說，詞被定義為數字、下劃線、或者字母的任何序列。

比如我們在搜尋單詞“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。

前面有個小夥子很眼熟，我記得他的名字叫馬興民或者黃偉。現在我開啟線上班級花名冊，輸入正則/黃偉|馬興民/，一下就找到了兩個人的資訊和照片，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複數形式比如cat和cats，這種形式我們很容易表達。但是有些複數比如family的複數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子()，將一個模式括起來，使得它就像一個單獨的字元。因此如果我們想找到語料中的family和families時，需要用/famil(y|ies)/，析取符僅僅運用於字尾y或者ies。

三：

•  通用字符集的替換

正則	擴充表示式	匹配
\d \D \w \W \s \S	[0-9] [^0-9] [a-zA-Z0-9] [^\w] [_\r\t\n\f] [^\s]	數字字元 非數字字元 數字字母下劃線 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中有許多標籤<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之後的，(?=exp)表示匹配exp之前的。

　　　　比如上面標籤例子：<div>part1</div><div>part2</div><div>part3</div><div>part4</div>

　　　　如果我們僅僅想拿到標籤裡面的內容，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詢英語冠詞the的時候，隨手寫下正則/the/。

　　　　但是隨後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，假如我們不想把下劃線和數字作為詞界，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元，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元。即/(^|[^a-zA-Z])[tT]he[^a-zA-Z]/。

　　　　終於到這裡，一個符合要求的簡單的定冠詞the被搜尋了出來。

　　　　平時書寫正則的時候也要注意，提升準確率，提升覆蓋率。