【自然语言处理】正则表达式_自然语言处理中正则表达式

python 中常用的正则表达式

验证网址regexr
正则式高尔夫

(…).\1 ——在后面重复一遍，分组，模式匹配，不连续的字符
() 是为了提取匹配的字符串。表达式中有几个()就有几个相应的匹配字符串。
(\s)表示连续空格的字符串。
[]是定义匹配的字符范围。比如 [a-zA-Z0-9] 表示相应位置的字符要匹配英文字符和数字。[\s*]表示空格或者号。
{}一般用来表示匹配的长度，比如 \s{3} 表示匹配三个空格，\s[1,3]表示匹配一到三个空格。
(0-9) 匹配 '0-9′ 本身。 [0-9] 匹配数字（注意后面有 *，可以为空）[0-9]+ 匹配数字（注意后面有 +，不可以为空）{1-9} 写法错误。
[0-9]{0,9} 表示长度为 0 到 9 的数字字符串。

字符

数量词

边界匹配

逻辑、分组（自动编号）

特殊构造

https://www.runoob.com/regexp/regexp-syntax.html

^ 表示匹配字符串的开始位置 (例外 用在中括号中[ ] 时,可以理解为取反,表示不匹配括号中字符串)

$ 表示匹配字符串的结束位置

* 表示匹配 零次到多次

+ 表示匹配 一次到多次 (至少有一次)

? 表示匹配零次或一次

. 表示匹配单个字符

| 表示为或者,两项中取一项]

( ) 小括号表示匹配括号中全部字符

[ ] 中括号表示匹配括号中一个字符 范围描述 如[0-9 a-z A-Z]

{ } 大括号用于限定匹配次数 如 {n}表示匹配n个字符 {n,}表示至少匹配n个字符 {n,m}表示至少n,最多m

\ 转义字符 如上基本符号匹配都需要转义字符 如 * 表示匹配*号

\w 表示英文字母和数字 \W 非字母和数字

\d 表示数字 \D 非数字

---

常用的正则表达式(转)

匹配中文字符的正则表达式： [\u4e00-\u9fa5]
匹配双字节字符(包括汉字在内)：[^\x00-\xff]
匹配空行的正则表达式：\n[\s| ]\r
匹配HTML标记的正则表达式：/<(.)>.</\1>|<(.) />/
匹配首尾空格的正则表达式：(^\s*)|(\s*KaTeX parse error: Undefined control sequence: \d at position 18: …匹配IP地址的正则表达式：/(\̲d̲+)\.(\d+)\.(\d+…
1、非负整数：^\d+$
2、正整数：¹[1-9][0-9]$
3、非正整数：^((-\d+)|(0+))$
4、负整数：^-[0-9][1-9][0-9]$
5、整数：^-?\d+$
6、非负浮点数：^\d+(.\d+)?$
7、正浮点数：^((0-9)+.[0-9][1-9][0-9])|([0-9][1-9][0-9].[0-9]+)|([0-9][1-9][0-9]))$
8、非正浮点数：^((-\d+.\d+)?)|(0+(.0+)?))$
9、负浮点数：^(-((正浮点数正则式)))$
10、英文字符串：²+$
11、英文大写串：³+$
12、英文小写串：⁴+$
13、英文字符数字串：⁵+$
14、英数字加下划线串：^\w+$
15、E-mail地址：⁶+(.[\w-]+)@[\w-]+(.[\w-]+)+$
16、URL：⁷+://(\w+(-\w+))(.(\w+(-\w+)))(?\s*)?$ 或：^{http://[A-Za-z0-9]+.[A-Za-z0-9]+[/=?%-&_~`@[]’:+!]*([}<>""])$
17、邮政编码：⁸\d{5}$
18、中文：⁹+$
19、电话号码：^((\d2,3)|(\d{3}-))?(0\d2,3|0\d{2,3}-)?[1-9]\d{6,7}(-\d{1,4})?$
20、手机号码：^((\d2,3)|(\d{3}-))?13\d{9}$
21、双字节字符(包括汉字在内)：^\x00-\xff
22、匹配首尾空格：(^\s)|(\s*KaTeX parse error: Undefined control sequence: \/ at position 44: …TML标记：<(.*)>.*<\̲/̲\1>|<(.*) \/> …/
37、腾讯QQ号：¹⁰[1-9][0-9]$
38、帐号(字母开头，允许5-16字节，允许字母数字下划线)：¹¹[a-zA-Z0-9_]{4,15}$
39、中文、英文、数字及下划线：¹²+$

常用正则表达式

业务上常用正则匹配手机号，邮箱等，我们把这些常用的拿出来，省的自己写了。

https://c.runoob.com/front-end/854
刚才的验证网站下有一些常用正则表达式，还可以参考Unicode中文和特殊字符的编码范围 ，
下面列出了常用正则：
匹配中文字符的正则表达式： [\u4e00-\u9fa5]
匹配双字节字符(包括汉字在内)：[^\x00-\xff]）
匹配空白行的正则表达式：\n\s*\r
匹配HTML标记的正则表达式：<(\S*?)[^>]>.?</>|<.? />
匹配首尾空白字符的正则表达式：^\s|\s*$
匹配Email地址的正则表达式：\w+([-+.]\w+)@\w+([-.]\w+).\w+([-.]\w+)*

帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：¹³[a-zA-Z0-9_]{4,15}$

密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：¹⁴\w{5,17}$

InternetURL：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+.)+[\w-]+(/[\w-./?%&=]*)?$

手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$

电话号码(“XXX-XXXXXXX”、“XXXX-XXXXXXXX”、“XXX-XXXXXXX”、“XXX-XXXXXXXX”、"XXXXXXX"和"XXXXXXXX)：^((\d{3,4}-)|\d{3.4}-)?\d{7,8}$

It never ends – $ not allowed
Match all of these…
and none of these…
答案是u\b， 本质上还是b结尾的单词，只是不可用$

---

1. 0-9 ↩︎

2. A-Za-z ↩︎

3. A-Z ↩︎

4. a-z ↩︎

5. A-Za-z0-9 ↩︎

6. \w- ↩︎

7. a-zA-Z ↩︎

8. 1-9 ↩︎

9. \u0391-\uFFE5 ↩︎

10. 1-9 ↩︎

11. a-zA-Z ↩︎

12. \u4e00-\u9fa5_a-zA-Z0-9 ↩︎

13. a-zA-Z ↩︎

14. a-zA-Z ↩︎