正则表达式和文本挖掘（TextMining）-创新互联

在进行文本挖掘时，TSQL中的通配符（Wildchar）显得功能不足，这时，使用“CLR+正则表达式”是非常不错的选择，正则表达式看似非常复杂，但，万变不离其宗，熟练掌握正则表达式的元数据，就能熟练和灵活使用正则表达式完成复杂的Text Mining工作。

成都创新互联公司是由多位在大型网络公司、广告设计公司的优秀设计人员和策划人员组成的一个具有丰富经验的团队，其中包括网站策划、网页美工、网站程序员、网页设计师、平面广告设计师、网络营销人员及形象策划。承接：成都做网站、成都网站设计、网站改版、网页设计制作、网站建设与维护、网络推广、数据库开发,以高性价比制作企业网站、行业门户平台等全方位的服务。

一，正则表达式的特殊字符

1，常用元字符

用以匹配特定的字符（字母，数字，符号），注意字母是区分大小写的：

• . ：匹配除换行符以外的任意字符

• \w ：匹配字母或数字或下划线或汉字

• \s ：匹配任意的空白符

• \d ：匹配数字

• \b ：匹配单词的开始或结束

• ^ ：匹配字符串的开始

• $ ：匹配字符串的结束

• \k ：引用分组名，例如:\k，表示引用名字为group_name的分组

• \group_number：group_number是分组的组号，1，2，3等，表示通过组号引用分组

2，重复字符或分组

指定前面一个字符或分组重复的次数：

• * ：重复零次或更多次

• + ：重复一次或更多次

• ? ：重复零次或一次

• {n} ：重复n次

• {n,} ：重复n次或更多次

• {n,m} ：重复n到m次

3，分组，转义，分支，限定符

这些字符有特定的含义和用途：

• () ： 用小括号表示一个分组

• <>： 定义分组名< 和 > 之间的字符串是分组名

• \ ： 转义字符，将特殊字符转移为普通字符，例如：\(，表示小括号“（”，小括号不再作为特殊字符

• | ： 分支，表达式之间是“或”的关系

• [] ： 指定限定字符列表，一个字符必须匹配列表中任意一个字符，在中括号中指定匹配的字符列表，例如：[aeiou] 一个字符必须aeiou中的任意一个；

• [^ ] ： 指定排除字符列表，一个字符不能是排除列表中的任意一个字符，中括号中指定排除的字符列表，例如：[^aeiou] 一个字符不能是aeiou中的任意一个；

二，分组引用

分组，是使用小括号指定的一个子表达式；分组引用，是指在表达式中，重复使用子表达式，使正则表达式的写法更简洁。默认情况下，正则表达式为每个分组自动分配一个组号，规则是：组号从1开始，从左向右，组号依次加1（base-1），例如，第一个分组的组号为1，第二个分组的组号为2，以此类推。

分组定义的三种形式：

• (exp) ：自动分配组号，通过分组号引用该分组；

• (?exp) ：命名分组，通过分组名引用该分组；

• (?:exp) ：该分组只在当前位置匹配文本，在该分组之后，无法引用该分组，该分组没有分组名，也没有分组号；

1，通过组号引用分组

在正则表达式前面定义一个分组(exp)，在表达式的后面，能够通过组号引用该分组的表达式，引用分组的语法是：\group_number；

例如：\b(\w+)\b\s+\1\b，在该正则表达式中，只存在一个分组(\w+)，组号是1，在该分组的后面，使用\1来引用该分组，将\1替换为分组的子表达式，等价于：\b(\w+)\b\s+(\w+)\b。

2，通过分组名引用分组

在正则表达式中，能够对分组命名，命名的分组格式：(?exp)，分组名是name，通过name来引用该分组的格式是：\k，通过分组名和组号引用分组，其文本匹配的行为是一样的。

例如：\b(?\w+)\b\s+\1\b，在该分组的后面中，使用\k引用该分组，将\k替换为分组的子表达式，等价于：\b(\w+)\b\s+(\w+)\b。

3，无法引用的分组

(?:exp)：使用这种语法定义的分组，不能引用，只能在当前的位置匹配文本，正则表达式不为该分组自动分配组号。

三，断言查找

断言是一个逻辑表达式，只有当表达式为真时，匹配成功。当匹配成功时，返回文本，返回的文本不包含前缀或后缀，即，断言用于查找在特定“文本”之前或之后的文本。断言的四种语法：

• (?=exp)：文本的后面匹配表达式exp，返回exp位置之前的表达式

• (?<=exp) ：文本的前面匹配表达式exp，返回exp位置之后的表达式

• (?!exp)：文本的后缀不是exp，返回后缀不是exp的表达式

• (?：文本的前缀不是exp，返回前缀不是exp的表达式

1，后缀匹配

(?=exp)：文本的后面匹配表达式exp，返回exp位置之前的表达式。后缀匹配，和TSQL的 "%ing"类似；

比如正则表达式：\b\w+(?=ing\b)

分析：断言其后缀是ing，并且是单词的结尾(\b)，匹配以ing结尾的单词，但返回单词的前面部分，ing之前的部分；

例如，查找“I'm reading a book”，它会匹配“reading”，因为该字符后面以ing结尾，该正则表达式返回read，断言返回的文本不包含后缀。

2，前缀匹配

(?<=exp)：文本的前面匹配表达式exp，返回exp位置之后的表达式。前缀匹配，和TSQL的 "re%"类似；
比如正则表达式：(?<=\bre)\w+\b

分析：单词的打头(\b)，并且单词的前缀是re，匹配以re开头的单词，返回单词的后半部分，re之后的部分；

例如，查找“I am reading a book”，它会匹配“reading”，因为该字符前面以re打头，该正则表达式返回ading，断言返回的文本不包含前缀。

3，查找前缀或后缀不是特定文本的文本

这两个断言查找，跟前面两个相反，作用不大，简单了解一下：

• (?!exp)：文本的后缀不是exp，返回后缀不是exp的表达式

• (?：文本的前缀不是exp，返回前缀不是exp的表达式

3.1 比如，正则表达式：\b\w+(?!ing\b)

分析：不匹配以ing结尾的单词，查找“I am reading a book”，返回的文本：I,am,a,book

3.2 比如，正则表达式：(?

分析：不匹配以re打头的单词，查找“I am reading a book”，返回的文本：I,am,a,book

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

分享名称：正则表达式和文本挖掘（TextMining）-创新互联
链接分享：http://6mz.cn/article/gocde.html