正则表达式总结

Posted 2021-05-02 大数据挖掘DT数据分析

一、元字符

. 匹配除换行符以外的任意字符

\w 匹配单词（字母、数字、下划线、汉字）

\s 匹配任意空白符（空格、制表符tab、换行符、中文全角空格）

\d 匹配数字

\b 匹配单词的开始或结束，只是一个位置

^ 匹配字符串的开始

$ 匹配字符串的结束

 

\b：单词分界符，匹配一个位置（单词开头或结尾），位置处单词结束空格、标点符等。其实\b匹配位置为：其前一个字符和后一个字符不全是\w。

eg. \bhi\b.*\bLucy\b匹配hi后不远跟一个Lucy。

 

*：指定前面的字符可以重复n次匹配。则.*表示任意长连起的字符（不含换行符）。

eg. (1) 0\d\d\-d\d\d\d\d\d\d\d改为0\d{2}-\d{8}，前面的\d必须重复匹配2次或8次。

   (2)  \ba\w*\b：以a开头的单词

   (3)  \d+：匹配1个或多个连续数字

   (4)  \b\w{6}\b：正好6个字符的单词

   (5)  ^\d{5,12}$：填写QQ号为5~12位数字

 

二、重复

*  0~n次

+ 1~n次

?  0或1次

{n} 重复n次

{n,}  n+次

{n,m} n~m次

 

三、字符类

[0-9]、[A-Z]……

eg. (1)  [aeiou] 匹配任何一个英文元音字母

   (2)  [A,K,L] 匹配字母A或K或L

   (3)  .\(?0\d{2}[)-]?\d{8} 匹配(0..)-……..例如(010)-12345678

 

四、分支条件

就是“或”的意思，用|分开。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。

eg. (1) 0\d{2}-\d{8}|0\d{3}-\d{7}能匹配2种：3位区号010-12345678和4位区号0376-2233445.

 

(2)  \d{5}-\d{4}|\d{5} 匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。

 

五、分组

重复单个字符就算了，直接加{n}，但要重复一串组字母办？用小括号括起来即可。

 

六、反义

\W 匹配任意非单词（非字母、下划线、汉字）

\S 任意非空字符

\D 任意非数字

\B 任意不是单词开头结尾处

[^x] 除x以外的任意字符

[^aeiou] 除aeiou以外的任意字符

 

eg. (1) \S+ 不包含空白符的字符串

   (2)<a[^>]+> 匹配用尖括号括起来以a开头的字符串

 

七、后向引用

匹配这个子表达式文本：从左向右，以分组的左括号为标志，第1个出现为组1（用数字加转移字符写：\1），第2个出现为组2（写成\2，表示第2组）

eg. (1) \b(\w+)\b\s+\1\b匹配重复单词，像 go、kitty kitty，匹配单词\b(\w+)\b之后会被捕获到编号为1的分组中，然后是1个或几个空白符\S+，最后是分组1中捕获的内容（即前面匹配那单词）（\1）。

   (2)  \b(?<word>\w+)\b\s+\k<word>\b，可以自定义组名，(?<word>\w+)或(?’word’\w+)之后后向引用此分组捕获内容，捕获则用\k<word>。

于是上述例子亦可写作\b(?<word>\w+)\b\s+\k<word>\b。

 

八、零宽断言

 

分组	捕获	(exp)	匹配exp并捕获文本到自动命名的组里
		(?<name>exp)	匹配exp并捕获文本到名称为name的组里
		(?:exp)	匹配exp但不捕获匹配的文本也不给此分组分配组号
	零宽断言	(?=exp)	匹配exp前面的位置
		(?<=exp)	匹配exp后面的位置
		(?!exp)	匹配后面跟的不是exp的位置
		(?<!exp)	匹配前面不是exp的位置
	注释	(?#commend)	添加注释用……

 

(1) 零宽度正预测先行断言：(?=exp)  断言自身出现位置后面能匹配表达式exp

      eg. \b\w+(?=ing\b)匹配以ing结尾的单词，但除ing以外，比如I’m sing and you’re dancing，匹配为sing和danc。

(2) 零宽度正回顾后发断言：(?<=exp)  断言自身出现位置前面能匹配表达式exp

     eg. (?<=\bre)\w+\b匹配以re开头的单词的后半部，比如reading a book匹配ading。

 

九、负向零宽断言

确保某个字符是否出现，但是不想去匹配它。

……

 

十、注释

(?#command)：凡是在注释#内的，包括回车、换行写的都不看。

 

断言用来声明一个为真的事实，只有当断言为真时才会继续匹配。

 

十一、贪婪与懒惰

(1) 贪婪：当正则中能包含重复字符时，匹配尽可能多的字符。

eg.  a.*b匹配最长以a开头，以b结尾的字符串

(2) 懒惰：匹配尽可能少的字符，在后面加上?，

eg.  .*?匹配任意数量的重复，但使用最少的重复。

-------------------------------------------------------------

*?  重复任意次，但尽可能少

+?  重复1~n次，但尽可能少

??  重复0或1次，但尽可能少

{n,m}? 重复n~m次，但尽可能少

{n,}? 重复n+次，但尽可能少

------------------------------------------------------------

举个例子，对于字符串aabab：

贪婪匹配：a.*b，则匹配为aabab；（这里认为“以b结尾”是以最后一个b结尾）

懒惰匹配：a.*?b，则匹配为aab和ab；（这里认为“以b结尾”是以第一个碰到的b结尾，在中间就截断了）

注意：优先级→   贪婪匹配＞懒惰匹配

 

十二、如何写出高效率的正则表达式

如果纯粹是为了挑战自己的正则水平，用来实现一些特效（例如使用正则表达式计算质数、解线性方程），效率不是问题；如果所写的正则表达式只是为了满足一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式会百万次、千万次地运行，效率就是很大的问题了。这里总结几条提升正则表达式运行效率的经验。

先定义两个概念:

1. 误匹配：指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符合要求，但是被所写的正则式“击中了”。例如，如果使用\d{11}来匹配11位的手机号，\d{11}不单能匹配正确的手机号，它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。

2. 漏匹配：指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需要的，但是所写的正则没有将这种情况囊括在内。例如，使用\d{18}来匹配18位的身份证号码，就会漏掉结尾是字母X的情况。

写出一条正则表达式，既可能只出现误匹配（条件写得极宽松，其范围大于目标文本），也可能只出现漏匹配（只描述了目标文本中多种情况种的一种），还可能既有误匹配又有漏匹配。例如，使用\w+\.com来匹配.com结尾的域名，既会误匹配abc_.com这样的字串（合法的域名中不含下划线，\w包含了下划线这种情况），又会漏掉ab-c.com这样的域名（合法域名中可以含中划线，但是\w不匹配中划线）。

精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况：只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海量的文本中。这种情况下，尽可能地（如果不是完全地）消除误匹配以及漏匹配，并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。

3. 掌握语法细节：减少”误匹配”和”漏匹配”。正则表达式在各种语言中，其语法大致相同，细节各有千秋。明确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如，perl中与\w等效的匹配范围是[a-zA-Z0-9_]；perl正则式不支持肯定逆序环视中使用可变的重复（variable repetition inside lookbehind，例如(?<=.*)abc），但是.Net语法是支持这一特性的；又如，连逆序环视（Lookbehind,如(?<=ab)c）都不支持，而perl和是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同，这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细节。

4. 先粗后精，先加后减。使用正则表达式语法对于目标文本进行描述和界定，可以像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号的例子，先界定\d{11}，总不会错；再细化为1[358]\d{9}，就向前迈了一大步（至于第二位是不是3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程）。这样做的目的是先消除漏匹配（刚开始先尽可能多地匹配，做加法），然后再一点一点地消除误匹配（做减法）。这样有先有后，在考虑时才不易出错，从而向“不误不漏”这个目标迈进。

5. 留有余地。所能看到的文本sample是有限的，而待匹配检验的文本是海量的，暂时不可见的。对于这样的情况，在写正则表达式时要跳出所能见到的文本的圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信：“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信，不但要能写出可以匹配当前文本的正则表达式发[*#](?:票|漂)，还要能够想到发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。这样做的目的是消除漏匹配，延长正则表达式的生命周期。

6. 明确精准：少用\，*，?这种模糊的符号。具体说来，就是谨慎用点号这样的元字符，尽可能不用星号和加号这样的任意量词。只要能确定范围的，例如\w，就不要用点号；只要能够预测重复次数的，就不要用任意量词。例如，写析取twitter消息的脚本，假设一条消息的xml正文部分结构是<span class=”msg”>…</span>且正文中无尖括号，那么<spanclass=”msg”>[^<]{1,480}</span>这种写法的思路要好于<spanclass=”msg”>.*</span>，原因有二：一是使用[^<]，它保证了文本的范围不会超出下一个小于号所在的位置；二是明确长度范围，{1,480}，其依据是一条twitter消息大致能的字符长度范围。当然，480这个长度是否正确还可推敲，但是这种思路是值得借鉴的。说得狠一点，“滥用点号、星号和加号是不环保、不负责任的做法”。

7. 不要让稻草压死骆驼。每使用一个普通括号()而不是非捕获型括号(?:…)，就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数，无异于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:…)括号的习惯。

8. 宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^\s+|\s+$//g;，其运行效率理论上要低于s/^\s+//g; s/\s+$//g; 。这个例子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而且显然最容易理解”。既快又容易理解，何乐而不为？工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如，虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是如果只要有一条子表达式（例如A）会产生误匹配，那么不论其它的子表达式（例如B）效率如何之高，范围如何精准，C的总体精准度也会因A而受到影响。

9. 巧妙定位。有时候，我们需要匹配的the，是作为单词的the（两边有空格），而不是作为单词一部分的t-h-e的有序排列（例如together中的the）。在适当的时候用上^，$，\b等等定位锚点，能有效提升找到成功匹配、淘汰不成功匹配的效率。

 

数据挖掘入门与实战

教你机器学习，教你数据挖掘