正则表达式和文本挖掘(Text Mining)
正则表达式和文本挖掘(Text Mining)
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,就能掌握正则表达式。
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):
- .: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<group_name>,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
- \ :转义,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,“或”的关系
- :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;
- [^ ] :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;
- (?<name>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:(?<name>exp),分组名是name,通过name来引用该分组的格式是:\k<group_name>,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(?<word>\w+)\b\s+\1\b,在该分组的后面中,使用\k<word>引用该分组,将\k<word>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
- (?<!exp):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
- (?<!exp):文本的前缀不是exp,返回前缀不是exp的表达式
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
比如,正则表达式:(?<!\bre)\w+\b
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
附:JS正则表达式在线测试:Regex Pal