正则表达式的功法大全，做NLP再也不怕搞不定字符串了

在自然语言处理中，正则做N再也很多时候我们都需要从文本或字符串中抽取出想要的表达不怕信息，并进一步做语义理解或其它处理。功法搞在本文中，大全定字作者由基础到高级介绍了很多正则表达式，符串这些表达式或规则在很多编程语言中都是正则做N再也通用的。

正则表达式(regex 或 regexp)对于从文本中抽取信息极其有用，表达不怕它一般会搜索匹配特定模式的功法搞语句，而这种模式及具体的大全定字 ASCII 序列或 Unicode 字符。从解析/替代字符串、符串预处理数据到网页爬取，正则做N再也正则表达式的表达不怕应用范围非常广。

其中一个比较有意思的功法搞地方是，只要我们学会了正则表达式的大全定字语句，我们几乎可以将其应用于多有的符串编程语言，包括 JavaScript、Python、Ruby 和 Java 等。只不过对于各编程语言所支持的***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。

一、基本语句

1. 锚点：^ 和 $

^The        匹配任何以“The”开头的香港云服务器字符串 -> Try it! (https://regex101.com/r/cO8lqs/2) end$        匹配以“end”为结尾的字符串 ^The end$   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 

2. 数量符：*、+、?和 { }

abc*        匹配在“ab”后面跟着零个或多个“c”的字符串 -> Try it! (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 

3. 或运算符：| 、 []

a(b|c)     匹配在“a”后面跟着“b”或“c”的字符串 -> Try it! (https://regex101.com/r/cO8lqs/3) a[bc]      匹配在“a”后面跟着“b”或“c”的字符串 

4. 字符类：\d、\d、\s 和 .

\d         匹配数字型的单个字符 -> Try it! (https://regex101.com/r/cO8lqs/4) \w         匹配单个词字（字母加下划线） -> Try it! (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 -> Try it! (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 -> Try it! (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。站群服务器

\$\d       匹配在单个数字前有符号“$”的字符串 -> Try it! (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」

5. 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***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)。

二、中级语句

1. 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” -> Try it! (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” -> Try it! (https://regex101.com/r/cO8lqs/12) a(?<foo>bc)     使用 “?<foo>” 会为分组配置一个名称 -> Try it! (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 (?...))，我们就能如字典那样使用匹配结果检索分组的网站模板值，其中字典的键为分组的名称。

2. 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 -> Try it! (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 -> Try it! (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 -> Try it! (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。

3. 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「<div>simple 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 -> Try it! (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 -> Try it! (https://regex101.com/r/cO8lqs/23) 

三、高级语句

1. 边界符：\b 和 \B

\babc\b          执行整词匹配搜索 -> Try it! (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 -> Try it! (https://regex101.com/r/cO8lqs/26) 

2. 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 -> Try it! (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 -> Try it! (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 -> Try it! (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* *->* **Try it!* (https://regex101.com/r/cO8lqs/21) 

四、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

【本文是专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】

戳这里，看该作者更多好文

很赞哦!（9156）