数据挖掘入门与实战 公众号： datadw
一、元字符
. 匹配除换行符以外的任意字符
\w 匹配单词（字母、数字、下划线、汉字）
\s 匹配任意空白符（空格、制表符tab、换行符、中文全角空格）
\d 匹配数字
\b 匹配单词的开始或结束，只是一个位置
^ 匹配字符串的开始
$ 匹配字符串的结束
\b：单词分界符，匹配一个位置（单词开头或结尾），位置处单词结束空格、标点符等。其实\b匹配位置为：其前一个字符和后一个字符不全是\w。
eg. \bhi\b.*\bLucy\b匹配hi后不远跟一个Lucy。
*：指定前面的字符可以重复n次匹配。则.*表示任意长连起的字符（不含换行符）。
eg. (1) 0\d\d\-d\d\d\d\d\d\d\d改为0\d{2}-\d{8}，前面的\d必须重复匹配2次或8次。
(2) \ba\w*\b：以a开头的单词
(3) \d+：匹配1个或多个连续数字
(4) \b\w{6}\b：正好6个字符的单词
(5) ^\d{5,12}$：填写QQ号为5~12位数字
二、重复
* 0~n次
+ 1~n次
? 0或1次
{n} 重复n次
{n,} n+次
{n,m} n~m次
三、字符类
[0-9]、[A-Z]……
eg. (1) [aeiou] 匹配任何一个英文元音字母
(2) [A,K,L] 匹配字母A或K或L
(3) .\(?0\d{2}[)-]?\d{8} 匹配(0..)-……..例如(010)-12345678
四、分支条件
就是“或”的意思，用|分开。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。
eg. (1) 0\d{2}-\d{8}|0\d{3}-\d{7}能匹配2种：3位区号010-12345678和4位区号0376-2233445.
(2) \d{5}-\d{4}|\d{5} 匹配美国的邮政编码。美国邮编的规则是5位数字，或者用连字号间隔的9位数字。之所以要给出这个例子是因为它能说明一个问题：使用分枝条件时，要注意各个条件的顺序。如果你把它改成\d{5}|\d{5}-\d{4}的话，那么就只会匹配5位的邮编(以及9位邮编的前5位)。原因是匹配分枝条件时，将会从左到右地测试每个条件，如果满足了某个分枝的话，就不会去再管其它的条件了。
五、分组
重复单个字符就算了，直接加{n}，但要重复一串组字母办？用小括号括起来即可。
eg. (\d{1,3}.){3}
\d{1,3}匹配1到3位的数字，(\d{1,3}\.){3}匹配三位数字加上一个英文句号(这个整体也就是这个分组)重复3次，最后再加上一个一到三位的数字(\d{1,3})。变成255.124.223.126的IP地址。
六、反义
\W 匹配任意非单词（非字母、下划线、汉字）
\S 任意非空字符
\D 任意非数字
\B 任意不是单词开头结尾处
[^x] 除x以外的任意字符
[^aeiou] 除aeiou以外的任意字符
eg. (1) \S+ 不包含空白符的字符串
(2)]+> 匹配用尖括号括起来以a开头的字符串
七、后向引用
匹配这个子表达式文本：从左向右，以分组的左括号为标志，第1个出现为组1（用数字加转移字符写：\1），第2个出现为组2（写成\2，表示第2组）
eg. (1) \b(\w+)\b\s+\1\b匹配重复单词，像Go go、kitty kitty，匹配单词\b(\w+)\b之后会被捕获到编号为1的分组中，然后是1个或几个空白符\S+，最后是分组1中捕获的内容（即前面匹配那单词）（\1）。
(2) \b(?\w+)\b\s+\k\b，可以自定义组名，(?\w+)或(?’word’\w+)之后后向引用此分组捕获内容，捕获则用\k。
于是上述例子亦可写作\b(?\w+)\b\s+\k\b。
八、零宽断言
分组 | 捕获 | (exp) | 匹配exp并捕获文本到自动命名的组里 |
(?exp) | 匹配exp并捕获文本到名称为name的组里 |
(?:exp) | 匹配exp但不捕获匹配的文本也不给此分组分配组号 |
零宽断言 | (?=exp) | 匹配exp前面的位置 |
(?<=exp) | 匹配exp后面的位置 |
(?!exp) | 匹配后面跟的不是exp的位置 |
(? | 匹配前面不是exp的位置 |
注释 | (?#commend) | 添加注释用…… |
(1) 零宽度正预测先行断言：(?=exp) 断言自身出现位置后面能匹配表达式exp
eg. \b\w+(?=ing\b)匹配以ing结尾的单词，但除ing以外，比如I’m sing and you’re dancing，匹配为sing和danc。
(2) 零宽度正回顾后发断言：(?<=exp) 断言自身出现位置前面能匹配表达式exp
eg. (?<=\bre)\w+\b匹配以re开头的单词的后半部，比如reading a book匹配ading。
九、负向零宽断言
确保某个字符是否出现，但是不想去匹配它。
……
十、注释
(?#command)：凡是在注释#内的，包括回车、换行写的都不看。
断言用来声明一个为真的事实，只有当断言为真时才会继续匹配。
十一、贪婪与懒惰
(1) 贪婪：当正则中能包含重复字符时，匹配尽可能多的字符。
eg. a.*b匹配最长以a开头，以b结尾的字符串
(2) 懒惰：匹配尽可能少的字符，在后面加上?，
eg. .*?匹配任意数量的重复，但使用最少的重复。
-------------------------------------------------------------
*? 重复任意次，但尽可能少
+? 重复1~n次，但尽可能少
?? 重复0或1次，但尽可能少
{n,m}? 重复n~m次，但尽可能少
{n,}? 重复n+次，但尽可能少
------------------------------------------------------------
举个例子，对于字符串aabab：
贪婪匹配：a.*b，则匹配为aabab；（这里认为“以b结尾”是以最后一个b结尾）
懒惰匹配：a.*?b，则匹配为aab和ab；（这里认为“以b结尾”是以第一个碰到的b结尾，在中间就截断了）
注意：优先级→ 贪婪匹配＞懒惰匹配
十二、如何写出高效率的正则表达式
如果纯粹是为了挑战自己的正则水平，用来实现一些特效（例如使用正则表达式计算质数、解线性方程），效率不是问题；如果所写的正则表达式只是为了满足一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式会百万次、千万次地运行，效率就是很大的问题了。这里总结几条提升正则表达式运行效率的经验。
先定义两个概念:
1. 误匹配：指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符合要求，但是被所写的正则式“击中了”。例如，如果使用\d{11}来匹配11位的手机号，\d{11}不单能匹配正确的手机号，它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。
2. 漏匹配：指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需要的，但是所写的正则没有将这种情况囊括在内。例如，使用\d{18}来匹配18位的身份证号码，就会漏掉结尾是字母X的情况。
写出一条正则表达式，既可能只出现误匹配（条件写得极宽松，其范围大于目标文本），也可能只出现漏匹配（只描述了目标文本中多种情况种的一种），还可能既有误匹配又有漏匹配。例如，使用\w+\.com来匹配.com结尾的域名，既会误匹配abc_.com这样的字串（合法的域名中不含下划线，\w包含了下划线这种情况），又会漏掉ab-c.com这样的域名（合法域名中可以含中划线，但是\w不匹配中划线）。
精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况：只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海量的文本中。这种情况下，尽可能地（如果不是完全地）消除误匹配以及漏匹配，并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。
3. 掌握语法细节：减少”误匹配”和”漏匹配”。正则表达式在各种语言中，其语法大致相同，细节各有千秋。明确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如，perl中与\w等效的匹配范围是[a-zA-Z0-9_]；perl正则式不支持肯定逆序环视中使用可变的重复（variable
repetition inside lookbehind，例如(?<=.*)abc），但是.Net语法是支持这一特性的；又如，JavaScript连逆序环视（Lookbehind,如(?<=ab)c）都不支持，而perl和Python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同，这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细节。
4. 先粗后精，先加后减。使用正则表达式语法对于目标文本进行描述和界定，可以像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号的例子，先界定\d{11}，总不会错；再细化为1[358]\d{9}，就向前迈了一大步（至于第二位是不是3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程）。这样做的目的是先消除漏匹配（刚开始先尽可能多地匹配，做加法），然后再一点一点地消除误匹配（做减法）。这样有先有后，在考虑时才不易出错，从而向“不误不漏”这个目标迈进。
5. 留有余地。所能看到的文本sample是有限的，而待匹配检验的文本是海量的，暂时不可见的。对于这样的情况，在写正则表达式时要跳出所能见到的文本的圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信：“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信，不但要能写出可以匹配当前文本的正则表达式发[*#](?:票|漂)，还要能够想到发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。这样做的目的是消除漏匹配，延长正则表达式的生命周期。
6. 明确精准：少用\，*，?这种模糊的符号。具体说来，就是谨慎用点号这样的元字符，尽可能不用星号和加号这样的任意量词。只要能确定范围的，例如\w，就不要用点号；只要能够预测重复次数的，就不要用任意量词。例如，写析取twitter消息的脚本，假设一条消息的xml正文部分结构是…且正文中无尖括号，那么[^这种写法的思路要好于.*，原因有二：一是使用[^7. 不要让稻草压死骆驼。每使用一个普通括号()而不是非捕获型括号(?:…)，就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数，无异于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:…)括号的习惯。
8. 宁简勿繁。将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^\s+|\s+$//g;，其运行效率理论上要低于s/^\s+//g;
s/\s+$//g;
。这个例子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而且显然最容易理解”。既快又容易理解，何乐而不为？工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如，虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是如果只要有一条子表达式（例如A）会产生误匹配，那么不论其它的子表达式（例如B）效率如何之高，范围如何精准，C的总体精准度也会因A而受到影响。
9. 巧妙定位。有时候，我们需要匹配的the，是作为单词的the（两边有空格），而不是作为单词一部分的t-h-e的有序排列（例如together中的the）。在适当的时候用上^，$，\b等等定位锚点，能有效提升找到成功匹配、淘汰不成功匹配的效率。
数据挖掘入门与实战
搜索添加微信公众号：datadw
教你机器学习，教你数据挖掘
长按图片，识别二维码，点关注
公众号： weic2c
据分析入门与实战
长按图片，识别二维码，点关注
