- *:0 或 多个
- ?:任意一个
- [list]:a[xyz]b,a 与 b 之间必须也只能有一个字符,但只能是 x/y/z,也即:axb, ayb, azb
- [!list]:匹配除 list 中的任意单一字符,a[!0-9]b,a与b 之间必须也只能有一个字符,但不能是阿拉伯数字,axb,aab,a-b
- [c1-c2]:[0-9]/[a-z],a[0-9]b,必须也只能有一个字符,a0b,a1b,a9b;
- {string1, string2, …}:a[abc, xyz, 123]b,a 与 b 之间只能是 abc 或 xyz 或 123 这三个字符串之一;
1. 常用 tricks
- 匹配任意字符:使用
[\s\S]*
\s
:空白字符\S
:非空白符;.*
:无法匹配换行符(\n
);
- \w
- 匹配数字、字母、下划线,
[a-zA-Z0-9_]
(中括号表示或的关系) - \w+与[\w]+:没有区别,匹配连续的字符(数字、字母、下划线)
- [\w+]:匹配数字、字母、下划线以及+(加号)
- 匹配数字、字母、下划线,
2. 正则表达式用于自然语言处理
-
提取字符串中所有的单词:
def words(txt, lower_case=True): return re.findall(r'\w+', txt.lower())
-
词频统计:
from collections import Counter words_counter = Counter(words(open('xx.txt').read())) def P(word, N=sum(words_counter.values())): return words_counter[word] / N