与中文相关的正则表达式
匹配中文标点符号: [\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]
匹配中文字符的正则表达式: [\u4e00-\u9fa5]
import re s = "\n\r\t@#$%^&*这样一本书大卖,有点意外,据说已经印了四五十万,排行榜仅次于《希拉里自传》。大概是大众抛弃了一位表演过火的“文化大师”后,需要再找一位有格调的“文化饰品”来装点吧?书的装帧果然有品格,书皮是淡棕色的皱纹纸,书摊老板告诉我这纸是进口的。有一个加印版是绿色封皮,差很多。开始出于对热买书的反感,没有下手。虽然很喜欢作者,但近两年,买了一些早先钟爱的作家的新作,大失所望,故此这次谨慎很多。单位主编买了一本,边审节目边看,泪水涟涟(这位领导为四十出头的女性)。干脆借来一观。半天一口气读完大半,晚上睡前读完了。睡时心里像纠了一个结,很像以前特投入地读完一本武侠书,怅然若失,随着最后一页书合上,一个世界也合上了大门。杨绛的以前的书基本都读过,包括钱钟书题写书名的三卷集,写知识分子思想改造、反右干校,写她父亲的文章印象特别深刻。但从没有像这本书,整本笔墨都是在写她最亲的两个人,丈夫和女儿。以往一直觉得杨绛的笔锋有点像奥斯丁,用很干净疏朗的笔法写身边琐事,即使是大事变,捕捉的也是实实在在的细处。以前的印象是冷静,情绪流露虽只是轻轻点一下,但仍透着一股贵族气在里头。有一位知青作家就特受不了,譬如《干校六记》中的一处,写她路见一落魄小将,如狼崽子一般,心下不由生出点快意。钱钟书的夫人自然是有傲气的。但《我们仨》太不一样了,记述她女儿罹患恶疾病故的那一章(第二部分),那种痛楚简直是倾泻纸面,虽然作者故意采用梦境式的虚幻技巧(这一手法她在《将饮茶》中已经牛刀小试,这里已经成演变为独立的一章了),想造成间离(估计老太太自己也受不了直接面对这段时间),但依然能见到处处泪渍,大概很少有读者能经受得起。我也步了女主编的后尘。有位老前辈评点说,杨绛的这本新书是她最差的一本,或许指的就是这点吧。在时人看来,让人掉眼泪的书似乎品格有问题。第三部分又回到了杨绛的一贯笔法,记述和钱钟书、钱媛共度的岁月,流畅极了,很好读,一个大学者原来是那么童稚的一个人,在书中,一家三口的心性似乎永远停留在那段黄金岁月:即封面那张四十年代的合影,圆圆。七十岁的老人、五十多岁的女儿,依旧开着五十年前的玩笑,太动人了。我就像在观看神仙的游戏。最后老太太淡淡记道:现在只剩下我一个人,怀念着我们仨。我是打乱次序读,先读第一部分(序),随后是第三部分,第二部分,反而印象比较好。或许顺着读,先撕心裂肺痛了一下,效果并不佳。推荐倒着看。\n\s\r\t" t= re.findall('[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b\u4e00-\u9fa5]',s) print(''.join(t))
匹配中文字符的正则表达式: [/u4e00-/u9fa5]
评注:匹配中文还真是个头疼的事,有了这个表达式就好办了
匹配双字节字符(包括汉字在内):[^/x00-/xff]
评注:可以用来计算字符串的长度(一个双字节字符长度计2,ASCII字符计1)
匹配空白行的正则表达式:/n/s*/r
评注:可以用来删除空白行
匹配HTML标记的正则表达式:<(/S*?)[^>]*>.*?<//1>|<.*? />
评注:网上流传的版本太糟糕,上面这个也仅仅能匹配部分,对于复杂的嵌套标记依旧无能为力
匹配首尾空白字符的正则表达式:^/s*|/s*$
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
在Perl:
从ISO 8859-1到UTF-8: s/([/x80-/xFF])/chr(0xC0|ord($1)>>6).chr(0x80|ord($1)&0x3F)/eg;
从UTF-8到ISO 8859-1: s/([/xC2/xC3])([/x80-/xBF])/chr(ord($1)<<6&0xC0|ord($2)&0x3F)/eg;