KNIME正则表达式

正则表达式

正则表达式（Regular Expression，简称regex、regexp或PE）用于描述一组字符串特征的表示式，用来匹配特定的字符串。它也是通过特殊字符和普通字符一起来进行表达式描述，从而达到文本匹配目的工具。它可以应用于文本编辑与处理、网页爬虫等场合，可以快速、准确地完成复杂的查找、替换等处理要求。
正则表达式就是用来进行文本匹配的工具。例如像“0086-12345678901”或“0127-10987654321”这样的文本，所有的都是以0开头，后面跟着2-3个数字，然后是连字符“-”，最后是11数字的字符串，可以用正则表达式“0\d{3}-\d{11}”进行匹配。其中的“\d”、“{}”是正则表达式规定的一些特殊字符，也被称为元字符（metacharacter），代表着特殊含义。常用元字符如

例如，中国居民身份证是18位数字组成，也有尾号是X的，则表示中国居民身份证的正则表达式为d{17}([0-9]|X)。例2，中文日期的书写方式很多，常见的有：
1）2020年4月8日
2）2020/4/8
3）2020-4-8
4）2020-04-08
5）2020-04
6）2020年4月
可以用正则表达式统一书写为(\d{4}[年/-]\d{1,2}([月/-]|KaTeX parse error: Undefined control sequence: \d at position 4: ) (\̲d̲{1,2}(日|)|$))。

正则表达式的含义可以通过图示学习和理解，这里提供一个不错的网站，本实验中对正则表达式的解释用图也来自这个网站。网址如下：正则表达式学习网站。

文档过滤

假设现在有一篇文章需要分析，但是文章中有很多干扰信息需要被过滤。这些干扰信息很多，但是具有一定的规律。例如都是由“新浪新闻”、“新浪教育”、“新浪”组成，那么我们可以考虑通过正则表达式来一次性过滤掉这些干扰项。

1. 使用“Word Parser”节点输入Word格式的文档
   
2. 使用“Replacer”节点删除干扰信息。在“Replacement options”标签栏的“Regular expression”一栏填入用于过滤的正则表达式“新浪(新闻|教育|)”。节点的设置如下：
   

正则表达式的含义如下（因为网页无法显示中文，所以用拼音表示）：

结果显示如下

字符串分割

假设现在有一批数据，例如“US5443036-X21”。现在需要将这一串字符串分割成三部分：两个字母的国家代码（“US”）、专利号（“5443036”）和可能的一些申请代码（“X21”）。

1. 使用“File Reader”节点读入数据，结果显示如下。
2. 使用“Regex Split”节点分割数据。在“Settings” 选项卡的“Pattern”一栏中填入用于分割的正则表达式“([A-Za-z]{1,2})([0-9])[-](.*$)”，具体设置如下
   
   该表达式的含义可用下图表示：
   
   结果显示如下：