正则表达式总结
|
数据挖掘入门与实战 ?公众号： datadw 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. bhib.*bLucyb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)?0dd-dddddddd改为0d{2}-d{8}，前面的d必须重复匹配2次或8次。 ?? (2)? baw*b：以a开头的单词 ?? (3)? d+：匹配1个或多个连续数字 ?? (4)? bw{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)? .(?0d{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)?0d{2}-d{8}|0d{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，将会从左到右地测试每个条件，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。 eg. (d{1,3}.){3}? d{1,3}匹配1到3位的数字，(d{1,3}.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(d{1,3})。变成255.124.223.126的IP地址。 ? 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+)bs+1b匹配重复单词，像Go 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+)bs+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+)bs+k<word>b。 ? 八、零宽断言?
? (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. bw+(?=ingb)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，JavaScript连逆序环视（Lookbehind,如(?<=ab)c）都不支持，而perl和Python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 搜索添加微信公众号：datadw 教你机器学习，教你数据挖掘
长按图片，识别二维码，点关注 ? 公众号： weic2c? ? 长按图片，识别二维码，点关注 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
