golang 正则 反斜杠_正则表达式在NLP的基本应用

0 前言

正则表达式是一种定义了搜索模式的特征序列，主要是用于字符串的模式匹配，或是字符的匹配。随着计算机的普及以及互联网的发展，大量的信息以电子文档的方式呈现在人们的眼前。NLP通常锁需要处理的语料一部分来自于web网页的信息抽取，一部分来自于文本格式的文档。Web网页具有很强的开发价值，具有时效强，信息量大，结构稳定，价值高等特点。正则表达式的作用之一是将这些文档内容从非结构化转为结构化，以便后续的文本挖掘。

1 匹配字符串

在python中，我们会使用re模块来实现正则表达式。用到比较多的方法：re.search(regex,string) 这个方法，我们可以检查这个string是否匹配正则表达式regex，如果匹配，则返回一个mathch对象，如果没有就返回None。

测试文本(句子与句子之间用句号隔开)：

文本最重要的来源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。利用一个爬虫爬取到网络中的信息。爬取的策略又广度爬取和深度爬取。根据用户的需求，爬虫可以有主题爬虫和通用爬虫。

1.1 获取包含“爬虫”这个关键字的句子

代码：

#导入正则表达式需要的包import re#测试文档text_string='文本最重要的来源无疑是网络。我们要把网络中的文本获取形成一个文本数据库。利用一