【教程】圖文解讀正則表達(dá)式的使用技巧
這篇博客是關(guān)于正則表達(dá)式（regex）的插圖指南，旨在為那些從來沒有使用過正則表達(dá)式，想嘗試但又望而生畏的新手提供一個(gè)簡單介紹。
一個(gè)好的正則表達(dá)式看起來像魔法，但請記?。喝魏巫銐蛳冗M(jìn)的技術(shù)都無法與魔法區(qū)分開來。所以，就讓我們揭開正則表達(dá)式的神秘面紗！
如果你理解正則表達(dá)式，它會(huì)突然變成一個(gè)超快速和強(qiáng)大的工具……但你首先需要理解它，老實(shí)說，我覺得新手可能會(huì)對它望而生畏！讓我們從基礎(chǔ)開始。正則表達(dá)式（regex）是什么？它們的用途是什么？
Regex 新手上路
本質(zhì)上來看，正則表達(dá)式是定義一種搜索模式的字符序列。正則表達(dá)式通常用于 grep 等工具中，以在較長文本字符串中查找模式。
考慮以下一個(gè) cat.txt 文件：
- catcat2
- dog
如果我們使用正則表達(dá)式 cat 來搜索匹配項(xiàng)，我們會(huì)找到以下匹配項(xiàng)：
- catcat2
高級用戶需要注意的是，本文存在一個(gè)技術(shù)上的錯(cuò)誤，即正則表達(dá)式和使用正則表達(dá)式的工具（如 grep）混為了一談。
正則表達(dá)式適用于字符，而不是單詞
需要反復(fù)強(qiáng)調(diào)的一個(gè)重要問題是：正則表達(dá)式適用于字符，而不是單詞。隱含串聯(lián)。
如果我們使用正則表達(dá)式搜索模式 cat，則不會(huì)查找單詞「cat」，而會(huì)查找字符 c、a 和 t。
點(diǎn)和星號
最基本的字符是單個(gè)字符，如 a、b、c 等?，F(xiàn)在讓我們介紹以下兩種特殊的字符。
.（點(diǎn)）字符可以匹配*任何單個(gè)字符*。例如，如果我們搜索 c.t，則將匹配從 cat 到 c0t 或 cAt 的任何內(nèi)容，并將匹配任何單個(gè)字符 c +任何字符+單個(gè)字符 t。
*（星號）字符有點(diǎn)困難。它修改它前面的字符，然后匹配該字符的*零個(gè)或多個(gè)字符*。的確如此。例如，cat*可以匹配 cat、catt、cattttt 以及 ca。
示例分析：The cat ate my homework
假設(shè)我們逐行讀取一個(gè)文件，則第一行如下所示：
- The cat ate my homework.
讓我們看看如何匹配該行中的模式 cat。
我們首先將該模式的首字符與句子中的首字符匹配。
如果找不到匹配項(xiàng)，則跳轉(zhuǎn)至該行中的下一個(gè)字符，然后再從模式的首字符開始。
如果我們找到一個(gè)匹配項(xiàng)，則將跳轉(zhuǎn)至模式和該行中的下一個(gè)字符，然后重復(fù)這個(gè)過程。當(dāng)我們找到整個(gè)模式的匹配時(shí)，返回找到匹配項(xiàng)的行。
這就是正則表達(dá)式最基本、最常用的功能，即在較大的字符串中查找較小的搜索模式。
講到這里，我想大家已經(jīng)大致了解了什么是正則表達(dá)式以及它的兩個(gè)特殊字符： .（點(diǎn)）和 *（星號）。接下來，我會(huì)為大家介紹更多其他內(nèi)容。
正則表達(dá)式三叉戟
正則表達(dá)式的各個(gè)部分可以由三個(gè)不同的組件組成：
- 錨點(diǎn)
- 字符集
- 修飾符
這三部分構(gòu)成了正則表達(dá)式的三叉戟！
讓我們從三叉戟的第一個(gè)部分開始：錨點(diǎn)！
錨點(diǎn)
錨點(diǎn)指定個(gè)各行的模式位置。下面是兩個(gè)最重要的錨點(diǎn)：
- ^（插入符號）將模式固定到行首。例如，模式^1 匹配以 1 開頭的任意行。
- $（美元符）將模式固定到句尾。例如，9$匹配以 9 結(jié)尾的任意行。
注意，在以上兩種情況下，錨點(diǎn)必須分別位于模式的開頭和結(jié)尾。^1 匹配行首的 1，但 1^匹配后跟^的 1。類似地，1$匹配以 1 結(jié)尾的行，但$1 匹配一個(gè)該行任意位置后跟 1 的美元符號。
字符集
三叉戟的第二部分：字符集。字符集是正則表達(dá)式的基礎(chǔ)。單個(gè)字符，比如 a，是最基本的字符集（一組元素）。但是 [0-9] 等正則表達(dá)式可以匹配任何一個(gè)數(shù)字，或者如果你能回想到 *的含義，則可以制作模式 [0-9][0-9]（這個(gè)模式匹配的內(nèi)容留給讀者作為練習(xí)）。
其他一些重要的字符集：
- [0-9] 匹配 0…9 中的任何一個(gè)數(shù)字
- [a-z] 匹配任何小寫字母
- [A-Z] 匹配任何大寫字母
我們還可以對多個(gè)字符集進(jìn)行組合：
- [A-ZA-Z0-9] 匹配任何大小寫字母和單個(gè)數(shù)字。
修飾符
此部分內(nèi)容沒有深入展開，以前面遇到的一個(gè)修飾符 *（星號）為例。修飾符改變它前面字符的含義。還有很多其他的修飾符，但以* 為例進(jìn)行討論是一個(gè)很好的開始。
如下所示：讓我們快速將文本轉(zhuǎn)儲(chǔ)到文件中。
- $ echo "The cat jumps long time \nThen we also have the fact that these are words.\n1234 this is a test post please ignore." >> grep.txt
這是現(xiàn)在文件中的內(nèi)容。
- $ cat grep.txt
- The cat jumps long timeThen we also have the fact that these are words.
- 1234 this is a test post please ignore.
尋找 cat。
- $ grep "cat" grep.txt
- The cat jumps long tim
尋找任何以數(shù)字^[0-9] 開始的任意行。
- $ grep "^[0-9]" grep.txt
- 1234 this is a test post please ignore.
就是這樣！你剛剛使用了正則表達(dá)式。太棒了。
總結(jié)
回顧一下這篇博客的內(nèi)容：
- 正則表達(dá)式的基本功能；
- 正則表達(dá)式的三個(gè)主要組件：錨點(diǎn)、字符集和修飾符。
- .（點(diǎn)）、*（星號）、^（插入符）和$（美元符號）。
- 一些字符集 [0-9]、[a-z]、[A-Z] 和它們的組合。
這篇博客的目的是通過帶插圖的介紹使用戶更輕松地了解正則表達(dá)式。
如果能夠克服技術(shù)上的困難，則最終可以掌握這種相對簡單但功能卻很強(qiáng)大的正則表達(dá)式工具，從而為任何數(shù)據(jù)科學(xué)家?guī)韺氋F的價(jià)值。
