Matlab-------regexp正则表达式

转自原文 Matlab-------regexp正则表达式

 

1. 句点符号 '.' ——匹配任意一个（只有一个）字符（包括空格）。
   例如：t.n，它匹配tan、 ten、tin和ton，还匹配t#n、tpn甚至t n，还有其他许多无意义的组合。
   Matlab例子程序:
   clear;clc

   str='ten,&8yn2tin6ui>&ton, t n,-356tpn,

   t#n,4@).,t@nT&nY';

   pat='t.n';

   [o11,o22,o33]=regexpi(str,pat,'start','end','match');%输出起始位置和子串

   方括号符号 '[oum]' ——匹配方括号中的任意一个
   例如：t[aeio]n只匹配tan,Ten,tin和toN等。

   方括号中的连接符 '[c1-c2]' ——匹配从字符c1开始到字符c2结束的字母序列

   5 \w,\s和\d——类表达式
   和上面的\n等表中的转义字符有所不同，\w,\s,\d等匹配的不是某个特定的字符，而是某一类字符。具体说明如下：
   \w匹配任意的单个文字字符，相当于[a-zA-Z0-9_];
   \s匹配任意的单个空白字符，相当于[\t\f\n\r]；
   \d匹配任意单个数字，相当于[0-9]；
   \S匹配除空白符以外的任意单个字符，相当于[^\t\f\n\r]——方括号中的^表示取反；
   \W匹配任意单个字符，相当于[^a-zA-Z0-9_]；
   \D匹配除数字字符外的任意单个字符，相当于[^0-9]。
   

   expr? 与expr匹配的元素出现0或1次，相当于{0,1}
   expr* 与expr匹配的元素出现1次或更多，相当于{0,}
   expr+ 与expr匹配的元素出现1次或更多，相当于{1,}
   expr{n} 与expr匹配的元素出现n次，相当于{n,n}
   expr{n,} 与expr匹配的元素至少出现n次
   expr{n,m} 与expr匹配的元素出现n次但不多于m次

   regexp(str,'<.*?>','match')

   regexp(str,'<.*>','match')

    

   逻辑运算符

   (expr) 将expr标记为一组、匹配expr，并将匹配的字符子串标记起来以供后面使用。
   (?:expr) 说明expr为一组，相当于数学表达式中的()
   例如：?lstr='A body or collection of such stories';
   ?regexp(lstr,'(?:[^aeiou][aeiou]){2,}','match')
   ans =
   'tori'
   上面的表达式中{2,}对[^aeiou][aeiou]起作用，如果去掉分组，则只对[aeiou]起作用，如下所示：
   ?regexp(lstr,'[^aeiou][aeiou]{2,}','match')
   ans =
   'tio' 'rie'
   (?>expr) expr中的每个元素是一个分组
   (?#expr) expr放在(?#和)之间是就是注释。
   ^expr 匹配expr，并且出现在原字符串最前端的子串
   expr$ 匹配expr，并且出现在原字符串最末端的子串
   <expr 匹配expr，并且出现在一个单词最前端的子串
   expr> 匹配expr，并且出现在一个单词最末端的子串
   <expr> 更严格的单词匹配，如：以s开头，并且以h结尾的单词
   ?regexpi(hstr, '<s\w*h>', 'match')
   ans =
   'such'
   3. 左顾右盼——利用上下文匹配
   这个也比较容易理解。就是利用上下文的匹配来找到我们要找的内容。
   expr1(?=expr2) 找到匹配expr1的子串,如果其后的字符串也匹配expr2
   如，下面的例子查找所有在','之前的单词。
    ? pstr = ['While I nodded, nearly napping, ' …
   'suddenly there came a tapping,'];
   ?regexpi(pstr, '\w*(?=,)', 'match')
   ans =
   'nodded' 'napping' 'tapping'
   expr1(?!expr2) 找到匹配expr1的子串如果其后的字符串不匹配expr2
   下面的例子匹配所有不在','之前的单词
   ?regexpi(pstr, '\w*+(?!,)', 'match')
   ans = 
   Columns 1 through 6
   'While' 'I' 'nearly' 'suddenly' 'there' 'came'
   Column 7
   'a'
   (?<=expr1)expr2 找到匹配expr2的子串,如果其前面的字符串也匹配expr1
   下面的例子查找所有在','之后的单词，注意：','之后可能有空格
   ?regexpi(pstr,'(?<=,\s*)\w*','match')
   ans =
   'nearly' 'suddenly'
   (?<!expr1)expr2 找到匹配expr2的子串,如果其后的字符串不匹配expr1
   下面的例子查找所有不在','之后的单词，
   ?regexpi(pstr,'(?<!,\s*)\w*','match')
   ans =
   Columns 1 through 6
   'While' 'I' 'nodded' 'early' 'napping' 'uddenly'
   Columns 7 through 10
   'there' 'came' 'a' 'tapping'

    

   应课程实验要求，要写一个基于人人网的简单爬虫。实验要求如下：

      学会使用一种编程语言实现爬取人人网关系网络的程序。该程序功能如下：

   1.  能够输入用户登陆所产生的cookie，允许爬虫对人人网进行爬取网页。

   2.  能够使用正则表达式对所获取的网页内容进行过滤，提取出所需要的重要信息。

   3.  能够分析所获得信息，得到社交网络中各个个体之间的好友关系。

   4.  能够将该关系矩阵导入到matlab中，以供数据分析使用。

    

     本文主要针对正则表达式进行介绍。（摘自百度百科）

     一个正则表达式，就是用某种模式去匹配一类字符串的一个公式。

     正则表达式由一些普通字符和一些元字符（metacharacters）组成。普通字符包括大小写的字母和数字，而元字符则具有特殊的含义，我们下面会给予解释。

     在最简单的情况下，一个正则表达式看上去就是一个普通的查找串。例如，正则表达式"testing"中没有包含任何元字符，它可以匹配"testing"和"123testing"等字符串，但是不能匹配"Testing"。

     正则表达式用于字符串处理、表单验证等场合，实用高效。现将一些常用的表达式收集于此，以备不时之需。

     下面介绍常用的正则表达式（摘自http://lifesinger.3322.org/myblog/?p=185）：

      匹配中文字符的正则表达式： [/u4e00-/u9fa5]
      评注：匹配中文还真是个头疼的事，有了这个表达式就好办了

      匹配双字节字符(包括汉字在内)：[^/x00-/xff]

   评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）

   匹配空白行的正则表达式：/n/s*/r
   评注：可以用来删除空白行

   匹配HTML标记的正则表达式：<(/S*?)[^>]*>.*?<//1>|<.*? />
   评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力

   匹配首尾空白字符的正则表达式：^/s*|/s*$
   评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式

   匹配Email地址的正则表达式：/w+([-+.]/w+)*@/w+([-.]/w+)*/./w+([-.]/w+)*
   评注：表单验证时很实用

   匹配网址URL的正则表达式：[a-zA-z]+://[^/s]*
   评注：网上流传的版本功能很有限，上面这个基本可以满足需求

   匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
   评注：表单验证时很实用

   匹配国内电话号码：/d{3}-/d{8}|/d{4}-/d{7}
   评注：匹配形式如 0511-4405222 或 021-87888822

   匹配腾讯QQ号：[1-9][0-9]{4,}
   评注：腾讯QQ号从10000开始

   匹配中国邮政编码：[1-9]/d{5}(?!/d)
   评注：中国邮政编码为6位数字

   匹配身份证：/d{15}|/d{18}
   评注：中国的身份证为15位或18位

   匹配ip地址：/d+/./d+/./d+/./d+
   评注：提取ip地址时有用

   匹配特定数字：
   ^[1-9]/d*$　 　 //匹配正整数
   ^-[1-9]/d*$ 　 //匹配负整数
   ^-?[1-9]/d*$　　 //匹配整数
   ^[1-9]/d*|0$　 //匹配非负整数（正整数 + 0）
   ^-[1-9]/d*|0$　　 //匹配非正整数（负整数 + 0）
   ^[1-9]/d*/./d*|0/./d*[1-9]/d*$　　 //匹配正浮点数
   ^-([1-9]/d*/./d*|0/./d*[1-9]/d*)$　 //匹配负浮点数
   ^-?([1-9]/d*/./d*|0/./d*[1-9]/d*|0?/.0+|0)$　 //匹配浮点数
   ^[1-9]/d*/./d*|0/./d*[1-9]/d*|0?/.0+|0$　　 //匹配非负浮点数（正浮点数 + 0）
   ^(-([1-9]/d*/./d*|0/./d*[1-9]/d*))|0?/.0+|0$　　//匹配非正浮点数（负浮点数 + 0）
   评注：处理大量数据时有用，具体应用时注意修正

   匹配特定字符串：
   ^[A-Za-z]+$　　//匹配由26个英文字母组成的字符串
   ^[A-Z]+$　　//匹配由26个英文字母的大写组成的字符串
   ^[a-z]+$　　//匹配由26个英文字母的小写组成的字符串
   ^[A-Za-z0-9]+$　　//匹配由数字和26个英文字母组成的字符串
   ^/w+$　　//匹配由数字、26个英文字母或者下划线组成的字符串
   评注：最基本也是最常用的一些表达式