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