在自然語言處理中，很多時候我們都需要從文本或字符串中抽取出想要的信息，并進一步做語義理解或其它處理。在本文中，作者由基礎(chǔ)到高級介紹了很多正則表達式，這些表達式或規(guī)則在很多編程語言中都是通用的。

正則表達式(regex 或 regexp)對于從文本中抽取信息極其有用，它一般會搜索匹配特定模式的語句，而這種模式及具體的 ASCII 序列或 Unicode 字符。從解析/替代字符串、預(yù)處理數(shù)據(jù)到網(wǎng)頁爬取，正則表達式的應(yīng)用范圍非常廣。

其中一個比較有意思的地方是，只要我們學(xué)會了正則表達式的語句，我們幾乎可以將其應(yīng)用于多有的編程語言，包括 JavaScript、Python、Ruby 和 Java 等。只不過對于各編程語言所支持的***級特征與語法有細微的區(qū)別。

下面我們可以具體討論一些案例與解釋。

一、基本語句

1. 錨點：^ 和 $

^The        匹配任何以“The”開頭的字符串 -> Try it! (https://regex101.com/r/cO8lqs/2) 
end$        匹配以“end”為結(jié)尾的字符串 
^The end$   抽取匹配從“The”開始到“end”結(jié)束的字符串 
roar        匹配任何帶有文本“roar”的字符串 

2. 數(shù)量符：*、+、?和 {}

abc*        匹配在“ab”后面跟著零個或多個“c”的字符串 -> Try it! (https://regex101.com/r/cO8lqs/1) 
abc+        匹配在“ab”后面跟著一個或多個“c”的字符串 
abc?        匹配在“ab”后面跟著零個或一個“c”的字符串 
abc{2}      匹配在“ab”后面跟著兩個“c”的字符串 
abc{2,}     匹配在“ab”后面跟著兩個或更多“c”的字符串 
abc{2,5}    匹配在“ab”后面跟著2到5個“c”的字符串 
a(bc)*      匹配在“a”后面跟著零個或更多“bc”序列的字符串 
a(bc){2,5}  匹配在“a”后面跟著2到5個“bc”序列的字符串 

3. 或運算符：| 、 []

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

4. 字符類：\d、\d、\s 和 .

\d         匹配數(shù)字型的單個字符 -> Try it! (https://regex101.com/r/cO8lqs/4) 
\w         匹配單個詞字（字母加下劃線） -> Try it! (https://regex101.com/r/cO8lqs/4) 
\s         匹配單個空格字符（包括制表符和換行符）  
.          匹配任意字符 -> Try it! (https://regex101.com/r/cO8lqs/5) 

使用「.」運算符需要非常小心，因為常見類或排除型字符類都要更快與精確。\d、\w 和\s 同樣有它們各自的排除型字符類，即\D、\W 和\S。例如\D 將執(zhí)行與\d 完全相反的匹配方法：

\D         匹配單個非數(shù)字型的字符 -> Try it! (https://regex101.com/r/cO8lqs/6) 

為了正確地匹配，我們必須使用轉(zhuǎn)義符反斜杠「\」定義我們需要匹配的符號「^.[$()|*+?{\」，因為我們可能認(rèn)為這些符號在原文本中有特殊的含義。

\$\d       匹配在單個數(shù)字前有符號“$”的字符串 -> Try it! (https://regex101.com/r/cO8lqs/9) 

注意我們同樣能匹配 non-printable 字符，例如 Tab 符「\t」、換行符「\n」和回車符「\r」

5. Flags

我們已經(jīng)了解如何構(gòu)建正則表達式，但仍然遺漏了一個非?；A(chǔ)的概念：flags。

正則表達式通常以/abc/這種形式出現(xiàn)，其中搜索模式由兩個反斜杠「/」分離。而在模式的結(jié)尾，我們通?？梢灾付ㄒ韵?flag 配置或它們的組合：

• g(global)在***次完成匹配后并不會返回結(jié)果，它會繼續(xù)搜索剩下的文本。
• m(multi line)允許使用^和$匹配一行的開始和結(jié)尾，而不是整個序列。
• i(insensitive)令整個表達式不區(qū)分大小寫(例如/aBc/i 將匹配 AbC)。

二、中級語句

1. 分組和捕獲：()

a(bc)           圓括弧會創(chuàng)建一個捕獲性分組，它會捕獲匹配項“bc” -> Try it! (https://regex101.com/r/cO8lqs/11) 
a(?:bc)*        使用 “?:” 會使捕獲分組失效，只需要匹配前面的“a” -> Try it! (https://regex101.com/r/cO8lqs/12) 
a(?<foo>bc)     使用 “?<foo>” 會為分組配置一個名稱 -> Try it! (https://regex101.com/r/cO8lqs/17) 

捕獲性圓括號 () 和非捕獲性圓括弧 (?:) 對于從字符串或數(shù)據(jù)中抽取信息非常重要，我們可以使用 Python 等不同的編程語言實現(xiàn)這一功能。從多個分組中捕獲的多個匹配項將以經(jīng)典的數(shù)組形式展示：我們可以使用匹配結(jié)果的索引訪問它們的值。

如果需要為分組添加名稱(使用 (?...))，我們就能如字典那樣使用匹配結(jié)果檢索分組的值，其中字典的鍵為分組的名稱。

2. 方括弧表達式：[]

[abc]            匹配帶有一個“a”、“ab”或“ac”的字符串 -> 與 a|b|c 一樣 -> Try it! (https://regex101.com/r/cO8lqs/7) 
[a-c]            匹配帶有一個“a”、“ab”或“ac”的字符串 -> 與 a|b|c 一樣 
[a-fA-F0-9]      匹配一個代表16進制數(shù)字的字符串，不區(qū)分大小寫 -> Try it! (https://regex101.com/r/cO8lqs/22) 
[0-9]%           匹配在%符號前面帶有0到9這幾個字符的字符串 
[^a-zA-Z]        匹配不帶a到z或A到Z的字符串，其中^為否定表達式 -> Try it! (https://regex101.com/r/cO8lqs/10) 

記住在方括弧內(nèi)，所有特殊字符(包括反斜杠\)都會失去它們應(yīng)有的意義。

3. Greedy 和 Lazy 匹配

數(shù)量符(* + {})是一種貪心運算符，所以它們會遍歷給定的文本，并盡可能匹配。例如，<.+> 可以匹配文本「This is a <div> simple div </div> test」中的「<div>simple div</div>」。為了僅捕獲 div 標(biāo)簽，我們需要使用「?」令貪心搜索變得 Lazy 一點：

<.+?>            一次或多次匹配 “<” 和 “>” 里面的任何字符，可按需擴展 -> Try it! (https://regex101.com/r/cO8lqs/24) 

注意更好的解決方案應(yīng)該需要避免使用「.」，這有利于實現(xiàn)更嚴(yán)格的正則表達式：

<[^<>]+>         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、高級語句

1. 邊界符：\b 和 \B

\babc\b          執(zhí)行整詞匹配搜索 -> Try it! (https://regex101.com/r/cO8lqs/25) 

\b 如插入符號那樣表示一個錨點(它與$和^相同)來匹配位置，其中一邊是一個單詞符號(如\w)，另一邊不是單詞符號(例如它可能是字符串的起始點或空格符號)。

它同樣能表達相反的非單詞邊界「\B」，它會匹配「\b」不會匹配的位置，如果我們希望找到被單詞字符環(huán)繞的搜索模式，就可以使用它。

\Babc\B          只要是被單詞字符環(huán)繞的模式就會匹配 -> Try it! (https://regex101.com/r/cO8lqs/26) 

2. 前向匹配和后向匹配：(?=) 和 (?<=)

d(?=r)       只有在后面跟著“r”的時候才匹配“d”，但是“r”并不會成為整個正則表達式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/18) 
(?<=r)d      只有在前面跟著“r”時才匹配“d”，但是“r”并不會成為整個正則表達式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/19) 

我們同樣能使用否定運算子：

d(?!r)       只有在后面不跟著“r”的時候才匹配“d”，但是“r”并不會成為整個正則表達式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/20) 
(?<!r)d      只有在前面不跟著“r”時才匹配“d”，但是“r”并不會成為整個正則表達式匹配的一部分* *->* **Try it!* (https://regex101.com/r/cO8lqs/21) 

四、結(jié)語

正如上文所示，正則表達式的應(yīng)用領(lǐng)域非常廣，很可能各位讀者在開發(fā)的過程中已經(jīng)遇到了它，下面是正則表達式常用的領(lǐng)域：

• 數(shù)據(jù)驗證，例如檢查時間字符串是否符合格式;
• 數(shù)據(jù)抓取，以特定順序抓取包含特定文本或內(nèi)容的網(wǎng)頁;
• 數(shù)據(jù)包裝，將數(shù)據(jù)從某種原格式轉(zhuǎn)換為另外一種格式;
• 字符串解析，例如捕獲所擁有 URL 的 GET 參數(shù)，或捕獲一組圓括弧內(nèi)的文本;
• 字符串替代，將字符串中的某個字符替換為其它字符。

原文鏈接：

https://medium.com/factory-mind/regex-tutorial-a-simple-cheatsheet-by-examples-649dc1c3f285

【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文