正規表示式與文字探勘--Text Mining

在進行文字挖掘時，TSQL中的通配符（Wildchar）顯得功能不足，這時，使用「CLR+正規表示式」是非常不錯的選擇，正規表示式看似非常複雜，但，萬變不離其宗，熟練正規表示式的元數據，就能熟練且靈活地使用正規表示式完成複雜的Text Mining工作。

一，正規表示式的特殊字元

1，常用元字元

用以匹配特定的字元（字母，數字，符號），注意字母是區分大小寫的：

. ：匹配除換行符以外的任意字元 
w ：符合字母或數字或底線或漢字 
s ：符合任意的空白符 
d ：符合數字 
b ：符合單字的開始或結束 
^ ：符合字串的開始$的結束 
k ：引用分組名，例如:k，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，表示透過組號引用分組 
2，重複字元或分組

指定前面一個字元或分組重複的次數：

：重複零次或更多

：重複一次或更多次 

? ：重複零次或一次 
{n} ：重複n次 
{n ,} ：重複n次或更多 
{n,m} ：重複n到m次 
3，分組，轉義，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 之間的字符串是分組名 
： 轉義字符，將特殊字符轉移為普通字符，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”的關係 
[] ： 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 ] 一個字元不能是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，重複使用子表達式，使正則表達式的寫法更簡潔。第一個分組的組號為1，第二個分組的組號為2，以此類推。 ； 

(?exp) ：命名分組，透過分組名引用該分組； 

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

1，透過組號引用分組

在正規表示式前面定義一個分組(exp)，在表達式的後面，能夠透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+)bs+1b，在該正規表示式中，只存在一個分組(w+)，組號是1，在該分組的後面，使用1來引用該分組，將1替換為分組的子表達式，等價於：b(w+)bs+(w+)b。

2，透過分組名引用分組

在正規表示式中，能夠對分組命名，命名的分組格式：(?exp)，分組名是name，透過name來引用該分組的格式是：k，透過分組名和組號引用分組，其文字匹配的行為是一樣的。

例如：b(?w+)bs+1b，在該分組的後面中，使用k引用該分組，將k替換為分組的子表達式，等價於：b(w+)bs+(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，只有當表達式為真時，匹配成功。當匹配成功時，返回文本，返回的文本不包含前綴或後綴，即，斷言用於查找在特定“文本”之前或之後的文本。斷言的四個語法：

(?=exp)：文本的後面匹配表達式exp，返回exp位置之前的表達式 

(?(?!exp)：文字的後綴不是exp，回傳後綴不是exp的表達式 

( ? 1，後綴符合

(?=exp)：文字的後面符合表達式exp，傳回exp位置之前的表達式。字尾匹配，和TSQL的 “%ing”類似；

例如正規表示式：bw+(?=ingb)

分析：斷言其後綴是ing，並且是單詞的結尾(b)，匹配以ing結尾的單詞，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”，因為該字符後面以ing結尾，該正則表達式返回read，斷言返回的文本不包含後綴。

2，前綴匹配

(?例如正規表示式：(?

分析：單字的打頭(b)，且單字的前綴是re，匹配以re開頭的單詞，返回單字的後半部分，re之後的部分；

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，斷言傳回的文字不包含前綴。

3，查找前綴或後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) ：文本的後綴不是exp，返回字尾不是exp的表達式 
( ? 3.1 例如，正規表示式：bw+(?!ingb)

分析：不符以ing結尾的單字，找出“I am reading a book”，回傳的文字：I,am,a,book

3.2 例如打頭的單字，找出“I am reading a book”，回傳的文字：I,am,a,book