正则表达式入门之字符匹配

正则表达式入门-字符匹配

在前段时间进行文本挖掘练习的时候，不会使用正则表达式，深感不宜。所以这里，我想赶紧学习一下正则表达式。

注：本文是对《正则表达式必知必会》的复习。

1.正则表达式简介

正则表达式是一些用来匹配和处理文本的字符串，正则表达式语言用来构造正则表达式(最终构造出的字符串就成为正则表达式).

正则表达式语言并不是一种完备的程序设计语言，它甚至算不上是一种能够直接安装并运行的程序。

更准确地说，正则表达式语言是内置于其他语言或软件里的迷你语言。

2.匹配单个字符

2.1匹配纯文本

例1

#文本
Hello, my name is Goat.

#正则表达式
Goat

#结果

Hello, my name is Goat.

Goat本身是纯文本，所以看起来不像是正则表达式，但它确实是。 

正则表达式可以包含纯文本，甚至可以只包含纯文本。

2.2匹配任意字符

在正则表达式中，特殊字符(或字符集合)用来给出要搜索的东西。字符.(英文句号)可以匹配任何一个单个的字符。

例1

#文本
sales1.csv
orders3.csv
sales2.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv

#正则表达式
sales.

#结果

sales1.csv

orders3.csv

sales2.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

正则表达式sales.把字符串sales和另一个字符构成的文件名查找出来。8个文件里有3个与这个模式相匹配。

.字符可以匹配任何单个的字符、字母、数字、甚至是.字符本身。

在同一个正则表达式中，可以出现多个.字符，他们既可以连续出现，也可以间隔出现在模式的不同位置。

例2

#文本
sales1.csv
orders3.csv
sales2.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv

#正则表达式
.a..

#结果

sales1.csv

orders3.csv

sales2.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

我们想要把以na或sa开头的文件找出来。正则表达式.a..将na1.csv、na2.csv、sa1.csv找出来，但他还找出了4个我们并不需要的匹配结果。

 

2.3匹配特殊字符

.字符在正则表达式中有特殊含义，如果我们需要一个.字符，而不是它在正则表达式中的特殊含义，

我们就需要在.前面加上\(反斜杠)字符，对他进行转义。\是一个元字符(表示这个字符有特殊含义，而不是字符本身含义).

例1

#文本
sales1.csv
orders3.csv
sales2.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv

#正则表达式
.a.\.csv

#结果

sales1.csv

orders3.csv

sales2.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

可以看到，我们正确匹配了，我们想要的字符串。

在正则表达式中，\字符永远出现在一个有着特殊含义的字符序列开头，这个序列可以由一个或者多个字符构成。

如果需要搜索\本身，就必须对\进行转义，相应的转义序列是两个连续的反斜杠字符\\。

3.匹配一组字符

3.1匹配多个字符中的一个

与匹配任意单个字符的.字符不同，字符集合能匹配特定的字符和字符区间。

例1(相比于上例减少了sales2.csv，增加了ca1.csv)

#文本
sales1.csv
orders3.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv
ca1.csv

#正则表达式
[ns]a.\.csv

#结果

sales1.csv

orders3.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

ca1.csv

这里正则表达式以[ns]开头，表示这个集合将匹配字符n或s(但不匹配字符c或其他字符)。

在使用[和]定义的字符集合里，这两个元字符之间所有字符都是该集合的组成部分，

字符集合的匹配结果是能够与该集合里任意一个成员匹配的文本。

字符集合在不需要区分大小写的搜索操作里比较常见。

3.2利用字符集合区间

例1(相比于上例增加了sam.csv)

#文本
sales1.csv
orders3.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv
ca1.csv
sam.csv

#正则表达式
[ns]a[0-9]\.csv

#结果

sales1.csv

orders3.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

ca1.csv

sam.csv

为了避免匹配到sam.csv我们在正则表达式中，将.字符替换成[0-9]，表示匹配0到9之间的任意一个数字。

在这里正则表达式提供了一个特殊的元字符，字符区间可以用-(连字符)来定义。

-(连字符)作为元字符，只能在[和]之间，在字符集合以外的地方，-只是一个普通的字符，只能和-本身匹配，因此在正则表达式中-不需要转义。

要避免让这个区间的尾字符小于首字符(例如[3-1])，这种区间没有意义。

字符区间并不仅限于数字，以下都是合法字符区间:

A-Z	匹配A到Z所有大写字母
a-z	匹配a到z所有小写字母
A-F	匹配A到F所有大写字母
A-z	匹配ASCII字符A到ASCII字符z的所有字母

3.3取非匹配

例1

#文本
sales1.csv
orders3.csv
sales.csv
apac1.csv
na1.csv
na2.csv
sa1.csv
ca1.csv
sam.csv

#正则表达式
[ns]a[^0-9]\.csv

#结果

sales1.csv

orders3.csv

sales.csv

apac1.csv

na1.csv

na2.csv

sa1.csv

ca1.csv

sam.csv

这个例子中[0-9]变成了[^0-9]，表示匹配的是任何不是数字的字符。元字符^来表示对一个字符集合进行取非匹配。

^的效果将作用于给定字符集合里的所有字符或字符区间，而不仅限于紧跟在^字符后的那一个字符或字符区间。