IST664-NLP

Week 4 Regular Expression!

Resources

Python Regex Cheatsheet

测试regex网站

regex cheatsheet

Lecture Content

Regular Expression

Regular Expression: a tiny, highly specialized programming language

• embadded inside Python, Perl, Java, php and other languages
• match or replace patterns

普通匹配

可替代的匹配

用方括号包住的表示alternative（可替代）

范围匹配

[a-z], [A-Z], [0-9]

^在[]内表示否定

[^a-z], [^s^](not s or ^) >如果不在中括号[]内而是在字符中间，^表示^字符,e.g. a^b

|表示或

woodchuck|groudhog 表示同时匹配两个单词 
e.g. A *woodchuck* is the same as a *groundhog*!

重复匹配符号

• ? : 0 or 1
• * : 0:n
• + : 1:n
• . : 表示任意字符
• {m}: 把之前的字符重复m次
• {m,n}: 把之前的字符重复m-n次
  Xyz{3}: abx*Xyzzz*
abc{1,5}: xycabcc tfeabcccc

开头和结尾(Anchor tags): ^ 和 $

• ^[A-Z] : 开头任意大写字母
• ^[^A-Za-z] : 开头非字母
• .$: 结尾为任意字符
• /\bour \b/ : word boundary
• /\Bour \B/ : non-word boundary

简单来说word boundary 则为匹配单词开头，而非boundary则匹配单词中间(即两边不是区分word的界限)

替换

s/<替代的pattern>/<被替代的单词>

e.g. s/colour/color

capture group

空格可以保存一个pattern在memory里，然后可以通过 \1（register）来简单访问前面第一个捕捉到的group

e.g. ([0-9]+)\1 -------- ada *233233* 145145 daww

如果不想使用捕捉的特性，则在左括号后加一个问号?

escapes ‘'

• “[](){}|^$.?+*\”
• “\n\r\t”
• whitespace: \s = [\t\r\n\f\v]
• digit: \d = [0-9]
• word: \w = [a-zA-Z0-9_]
• non-whitespace: \S
• non-digit: \D
• non-word: \W
• Registers: \1, \2, etc

贪婪特性

如果不认为设置，默认的匹配原则是贪婪的，即选最多最长的 e.

• greedy:
  /^.\*t/ *a076bt876xyt*dx
• non-greedy:
  /^.\*?t/ *a076bt*876xytdx

python简单实用正则表达式

1. 第一种用法
   pattern = re.compile(“<regular expr>”) m = pattern.search(string)

2. 第二种用法
   're.match(“<regular expr>”, string)'

3. 其他常用函数
   'pattern.match' #返回true如果字符串的开头匹配
'pattern.search' #搜索字符串，任意位置找到或者没找到，返回 *MatchObject* or None
'pattern.findall' #返回所有匹配项存在list中返回

   • MatchObject 也有一些函数
     match.group() 返回匹配的string
match.start() 返回匹配项起始位置
match.end() 返回匹配项的最后位置
match.span() 返回start和end位置的tuple

4. 替代
   'p=re.compile("pattern")'
'string = p.sub("<替代值>",string)'

以上就是nlp第四周有关正则表达式的内容，欢迎指正

• Next
  聚类kmeans入门