正則表達式和文本挖掘（TextMining）-創(chuàng)新互聯(lián)

在進行文本挖掘時，TSQL中的通配符（Wildchar）顯得功能不足，這時，使用“CLR+正則表達式”是非常不錯的選擇，正則表達式看似非常復(fù)雜，但，萬變不離其宗，熟練掌握正則表達式的元數(shù)據(jù)，就能熟練和靈活使用正則表達式完成復(fù)雜的Text Mining工作。

成都創(chuàng)新互聯(lián)公司是由多位在大型網(wǎng)絡(luò)公司、廣告設(shè)計公司的優(yōu)秀設(shè)計人員和策劃人員組成的一個具有豐富經(jīng)驗的團隊，其中包括網(wǎng)站策劃、網(wǎng)頁美工、網(wǎng)站程序員、網(wǎng)頁設(shè)計師、平面廣告設(shè)計師、網(wǎng)絡(luò)營銷人員及形象策劃。承接：成都做網(wǎng)站、成都網(wǎng)站設(shè)計、網(wǎng)站改版、網(wǎng)頁設(shè)計制作、網(wǎng)站建設(shè)與維護、網(wǎng)絡(luò)推廣、數(shù)據(jù)庫開發(fā),以高性價比制作企業(yè)網(wǎng)站、行業(yè)門戶平臺等全方位的服務(wù)。

一，正則表達式的特殊字符

1，常用元字符

用以匹配特定的字符（字母，數(shù)字，符號），注意字母是區(qū)分大小寫的：

  • . ：匹配除換行符以外的任意字符

  • \w ：匹配字母或數(shù)字或下劃線或漢字

  • \s ：匹配任意的空白符

  • \d ：匹配數(shù)字

  • \b ：匹配單詞的開始或結(jié)束

  • ^ ：匹配字符串的開始

  • $ ：匹配字符串的結(jié)束

  • \k ：引用分組名，例如:\k<group_name>，表示引用名字為group_name的分組

  • \group_number：group_number是分組的組號，1，2，3等，表示通過組號引用分組

2，重復(fù)字符或分組

指定前面一個字符或分組重復(fù)的次數(shù)：

  • * ：重復(fù)零次或更多次

  • + ：重復(fù)一次或更多次

  • ? ：重復(fù)零次或一次

  • {n} ：重復(fù)n次

  • {n,} ：重復(fù)n次或更多次

  • {n,m} ：重復(fù)n到m次

3，分組，轉(zhuǎn)義，分支，限定符

這些字符有特定的含義和用途：

  • () ： 用小括號表示一個分組

  • <>： 定義分組名< 和 > 之間的字符串是分組名

  • \ ： 轉(zhuǎn)義字符，將特殊字符轉(zhuǎn)移為普通字符，例如：\(，表示小括號“（”，小括號不再作為特殊字符

  • | ： 分支，表達式之間是“或”的關(guān)系

  • [] ： 指定限定字符列表，一個字符必須匹配列表中任意一個字符，在中括號中指定匹配的字符列表，例如：[aeiou] 一個字符必須aeiou中的任意一個；

  • [^ ] ： 指定排除字符列表，一個字符不能是排除列表中的任意一個字符，中括號中指定排除的字符列表，例如：[^aeiou] 一個字符不能是aeiou中的任意一個；

二，分組引用

分組，是使用小括號指定的一個子表達式；分組引用，是指在表達式中，重復(fù)使用子表達式，使正則表達式的寫法更簡潔。默認(rèn)情況下，正則表達式為每個分組自動分配一個組號，規(guī)則是：組號從1開始，從左向右，組號依次加1（base-1），例如，第一個分組的組號為1，第二個分組的組號為2，以此類推。

分組定義的三種形式：

  • (exp) ：自動分配組號，通過分組號引用該分組；

  • (?<name>exp) ：命名分組，通過分組名引用該分組；

  • (?:exp) ：該分組只在當(dāng)前位置匹配文本，在該分組之后，無法引用該分組，該分組沒有分組名，也沒有分組號；

1，通過組號引用分組

在正則表達式前面定義一個分組(exp)，在表達式的后面，能夠通過組號引用該分組的表達式，引用分組的語法是：\group_number；

例如：\b(\w+)\b\s+\1\b，在該正則表達式中，只存在一個分組(\w+)，組號是1，在該分組的后面，使用\1來引用該分組，將\1替換為分組的子表達式，等價于：\b(\w+)\b\s+(\w+)\b。

2，通過分組名引用分組

在正則表達式中，能夠?qū)Ψ纸M命名，命名的分組格式：(?<name>exp)，分組名是name，通過name來引用該分組的格式是：\k<group_name>，通過分組名和組號引用分組，其文本匹配的行為是一樣的。

例如：\b(?<word>\w+)\b\s+\1\b，在該分組的后面中，使用\k<word>引用該分組，將\k<word>替換為分組的子表達式，等價于：\b(\w+)\b\s+(\w+)\b。

3，無法引用的分組

(?:exp)：使用這種語法定義的分組，不能引用，只能在當(dāng)前的位置匹配文本，正則表達式不為該分組自動分配組號。

三，斷言查找

斷言是一個邏輯表達式，只有當(dāng)表達式為真時，匹配成功。當(dāng)匹配成功時，返回文本，返回的文本不包含前綴或后綴，即，斷言用于查找在特定“文本”之前或之后的文本。斷言的四種語法：

  • (?=exp)：文本的后面匹配表達式exp，返回exp位置之前的表達式

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

  • (?!exp)：文本的后綴不是exp，返回后綴不是exp的表達式

  • (?<!exp)：文本的前綴不是exp，返回前綴不是exp的表達式

1，后綴匹配

(?=exp)：文本的后面匹配表達式exp，返回exp位置之前的表達式。后綴匹配，和TSQL的 "%ing"類似；

比如正則表達式：\b\w+(?=ing\b)

分析：斷言其后綴是ing，并且是單詞的結(jié)尾(\b)，匹配以ing結(jié)尾的單詞，但返回單詞的前面部分，ing之前的部分；

例如，查找“I'm reading a book”，它會匹配“reading”，因為該字符后面以ing結(jié)尾，該正則表達式返回read，斷言返回的文本不包含后綴。

2，前綴匹配

(?<=exp)：文本的前面匹配表達式exp，返回exp位置之后的表達式。前綴匹配，和TSQL的 "re%"類似；
比如正則表達式：(?<=\bre)\w+\b

分析：單詞的打頭(\b)，并且單詞的前綴是re，匹配以re開頭的單詞，返回單詞的后半部分，re之后的部分；

例如，查找“I am reading a book”，它會匹配“reading”，因為該字符前面以re打頭，該正則表達式返回ading，斷言返回的文本不包含前綴。

3，查找前綴或后綴不是特定文本的文本

這兩個斷言查找，跟前面兩個相反，作用不大，簡單了解一下：

  • (?!exp)：文本的后綴不是exp，返回后綴不是exp的表達式

  • (?<!exp)：文本的前綴不是exp，返回前綴不是exp的表達式

3.1 比如，正則表達式：\b\w+(?!ing\b)

分析：不匹配以ing結(jié)尾的單詞，查找“I am reading a book”，返回的文本：I,am,a,book

3.2 比如，正則表達式：(?<!\bre)\w+\b

分析：不匹配以re打頭的單詞，查找“I am reading a book”，返回的文本：I,am,a,book

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

文章題目：正則表達式和文本挖掘（TextMining）-創(chuàng)新互聯(lián)
地址分享：http://bm7419.com/article14/gocde.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供企業(yè)建站、移動網(wǎng)站建設(shè)、搜索引擎優(yōu)化、網(wǎng)站策劃、靜態(tài)網(wǎng)站、品牌網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)