Matlab-------regexp正则表达式
正则表达式提取中文字符1. 关于正则表达式的基本知识
正则表达式就是⼀个表达式（也是⼀串字符），它定义了某种字符串模式。利⽤正则表达式，可以对⼤段的⽂字进⾏复杂的查、替换等。matlab提供的正则表达式函数有三个：
regexp——⽤于对字符串进⾏查，⼤⼩写敏感；
regexpi——⽤于对字符串进⾏查，⼤⼩写不敏感；
regexprep——⽤于对字符串进⾏查并替换。
第⼀部分——单个字符的匹配
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
\a Alarm(beep)
\b Backspace
\t ⽔平Tab
\n New line
\v 垂直Tab
\f 换页符
\r 回车符
\e Escape
\c 某些在正则表达式中有语法功能或特殊意义的字符c，要⽤\c来匹配，⽽不能直接⽤c匹配，如.⽤正则表达式.匹配,⽽\⽤正则表达式\匹配
第⼆部分串的匹配
1.多次匹配{nstart,nend}
⽐如，我们要匹配'ppp'，那么就可以⽤正则表达式'ppp'，还可以记为'p{3}'。
正则表达式中的'{}'⽤来表⽰匹配前⾯的表达式的出现次数。就是说，'p{2,3}'，匹配'pp'和'ppp'。例如：
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
（1）假设匹配号码格式999-99-9999：[0-9]{3}-[0-9]{2}-[0-9]{4}
（2）若连字符号可以出现也可以不出现：[0-9]{3}-?[0-9]{2}-?[0-9]{4}
（3）使⽤expr*时，matlab将尽可能的匹配最长的字符⼦串。
（4）如果我们希望匹配尽可能短的字符⼦串时，可以在上⾯我们使⽤的字符串后使⽤'?'，也就是expr*?，如：
>> str='<tr valign=top><td><a name="19184"></a>xyz';
regexp(str,'<.*?>','match')
ans =
'<tr valign=top>' '<td>' '<a name="19184">' '</a>'
regexp(str,'<.*>','match')
ans =
'<tr valign=top><td><a name="19184"></a>'
（5）expr*+
先执⾏expr*,"游标"（如果有的话）就指到了与expr*匹配的字符⼦串的最末端，然后从那⾥开始再检查下⼀个字符与后⾯的表达式是否匹配，如果匹配就继续向前（如果⼀直成功则返回最长的字符串），
如果不匹配则直接返回空。
2.逻辑运算符
pstr = ['While I nodded, nearly napping, ' …'suddenly there came a tapping,'];
regexpi(pstr, '\w*(=,)', 'match')
ans =
'nodded' 'napping' 'tapping'
regexpi(pstr,'(<!,\s*)\w*','match')
ans =
Columns 1 through 6
'While' 'I' 'nodded' 'early' 'napping' 'uddenly' Columns 7 through 10
'there' 'came' 'a' 'tapping'
补充---------------------
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）
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（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。
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-******* 或 021-********
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：[1-9]/d{5}(?!/d)
评注：中国为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

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。