選自Medium,作者：Jonny Fox,機器之心編譯。
在自然語言處理中，很多時候我們都需要從文字或字串中抽取出想要的資訊，並進一步做語義理解或其它處理。在本文中，作者由基礎到高階介紹了很多正規表示式，這些表示式或規則在很多程式語言中都是通用的。
正規表示式（regex 或 regexp）對於從文字中抽取資訊極其有用，它一般會搜尋匹配特定模式的語句，而這種模式及具體的 ASCII 序列或 Unicode 字元。從解析/替代字串、預處理資料到網頁爬取，正規表示式的應用範圍非常廣。
其中一個比較有意思的地方是，只要我們學會了正規表示式的語句，我們幾乎可以將其應用於多有的程式語言，包括 JavaScript、Python、Ruby 和 Java 等。只不過對於各程式語言所支援的最高階特徵與語法有細微的區別。
下面我們可以具體討論一些案例與解釋。
基本語句
錨點：^ 和 $
^The 匹配任何以“The”開頭的字串 -> Try it! (https://regex101.com/r/cO8lqs/2)
end$ 匹配以“end”為結尾的字串
^The end$ 抽取匹配從“The”開始到“end”結束的字串
roar 匹配任何帶有文字“roar”的字串複製程式碼數量符：*、+、？和 {}
abc* 匹配在“ab”後面跟著零個或多個“c”的字串 -> Try it! (https://regex101.com/r/cO8lqs/1)
abc+ 匹配在“ab”後面跟著一個或多個“c”的字串
abc? 匹配在“ab”後面跟著零個或一個“c”的字串
abc{2} 匹配在“ab”後面跟著兩個“c”的字串
abc{2,} 匹配在“ab”後面跟著兩個或更多“c”的字串
abc{2,5} 匹配在“ab”後面跟著2到5個“c”的字串
a(bc)* 匹配在“a”後面跟著零個或更多“bc”序列的字串
a(bc){2,5} 匹配在“a”後面跟著2到5個“bc”序列的字串複製程式碼或運算子：| 、 []
a(b|c) 匹配在“a”後面跟著“b”或“c”的字串 -> Try it! (https://regex101.com/r/cO8lqs/3)
a[bc] 匹配在“a”後面跟著“b”或“c”的字串複製程式碼字元類：\d、\d、\s 和 .
\d 匹配數字型的單個字元 -> Try it! (https://regex101.com/r/cO8lqs/4)
\w 匹配單個詞字（字母加下劃線） -> Try it! (https://regex101.com/r/cO8lqs/4)
\s 匹配單個空格字元（包括製表符和換行符）
. 匹配任意字元 -> Try it! (https://regex101.com/r/cO8lqs/5)複製程式碼使用「.」運算子需要非常小心，因為常見類或排除型字元類都要更快與精確。\d、\w 和\s 同樣有它們各自的排除型字元類，即\D、\W 和\S。例如\D 將執行與\d 完全相反的匹配方法：
\D 匹配單個非數字型的字元 -> Try it! (https://regex101.com/r/cO8lqs/6)複製程式碼為了正確地匹配，我們必須使用轉義符反斜槓「\」定義我們需要匹配的符號「^.[$()|*+?{\」，因為我們可能認為這些符號在原文字中有特殊的含義。
\$\d 匹配在單個數字前有符號“$”的字串 -> Try it! (https://regex101.com/r/cO8lqs/9)複製程式碼注意我們同樣能匹配 non-printable 字元，例如 Tab 符「\t」、換行符「\n」和回車符「\r」
Flags
我們已經瞭解如何構建正規表示式，但仍然遺漏了一個非常基礎的概念：flags。
正規表示式通常以/abc/這種形式出現，其中搜尋模式由兩個反斜槓「/」分離。而在模式的結尾，我們通常可以指定以下 flag 配置或它們的組合：
g（global）在第一次完成匹配後並不會返回結果，它會繼續搜尋剩下的文字。
m（multi line）允許使用^和$匹配一行的開始和結尾，而不是整個序列。
i（insensitive）令整個表示式不區分大小寫（例如/aBc/i 將匹配 AbC）。
中級語句
分組和捕獲：()
a(bc) 圓括弧會建立一個捕獲性分組，它會捕獲匹配項“bc” -> Try it! (https://regex101.com/r/cO8lqs/11)
a(?:bc)* 使用 “?:” 會使捕獲分組失效，只需要匹配前面的“a” -> Try it! (https://regex101.com/r/cO8lqs/12)
a(?<foo>bc) 使用 “?<foo>” 會為分組配置一個名稱 -> Try it! (https://regex101.com/r/cO8lqs/17)複製程式碼捕獲性圓括號 () 和非捕獲性圓括弧 (?:) 對於從字串或資料中抽取資訊非常重要，我們可以使用 Python 等不同的程式語言實現這一功能。從多個分組中捕獲的多個匹配項將以經典的陣列形式展示：我們可以使用匹配結果的索引訪問它們的值。
如果需要為分組新增名稱（使用 (?<foo>...)），我們就能如字典那樣使用匹配結果檢索分組的值，其中字典的鍵為分組的名稱。
方括弧表示式：[]
[abc] 匹配帶有一個“a”、“ab”或“ac”的字串 -> 與 a|b|c 一樣 -> Try it! (https://regex101.com/r/cO8lqs/7)
[a-c] 匹配帶有一個“a”、“ab”或“ac”的字串 -> 與 a|b|c 一樣
[a-fA-F0-9] 匹配一個代表16進位制數字的字串，不區分大小寫 -> Try it! (https://regex101.com/r/cO8lqs/22)
[0-9]% 匹配在%符號前面帶有0到9這幾個字元的字串
[^a-zA-Z] 匹配不帶a到z或A到Z的字串，其中^為否定表示式 -> Try it! (https://regex101.com/r/cO8lqs/10)複製程式碼記住在方括弧內，所有特殊字元（包括反斜槓\）都會失去它們應有的意義。
Greedy 和 Lazy 匹配
數量符（* + {}）是一種貪心運算子，所以它們會遍歷給定的文字，並儘可能匹配。例如，<.+> 可以匹配文字「This is a <div> simple div</div> test」中的「<div>simple div</div>」。為了僅捕獲 div 標籤，我們需要使用「？」令貪心搜尋變得 Lazy 一點：
<.+?> 一次或多次匹配 “<” 和 “>” 裡面的任何字元，可按需擴充套件 -> Try it! (https://regex101.com/r/cO8lqs/24)複製程式碼注意更好的解決方案應該需要避免使用「.」，這有利於實現更嚴格的正規表示式：
<[^<>]+> 一次或多次匹配 “<” 和 “>” 裡面的任何字元，除去 “<” 或 “>” 字元 -> Try it! (https://regex101.com/r/cO8lqs/23)複製程式碼高階語句
邊界符：\b 和 \B
\babc\b 執行整詞匹配搜尋 -> Try it! (https://regex101.com/r/cO8lqs/25)複製程式碼\b 如插入符號那樣表示一個錨點（它與$和^相同）來匹配位置，其中一邊是一個單詞符號（如\w），另一邊不是單詞符號（例如它可能是字串的起始點或空格符號）。
它同樣能表達相反的非單詞邊界「\B」，它會匹配「\b」不會匹配的位置，如果我們希望找到被單詞字元環繞的搜尋模式，就可以使用它。
\Babc\B 只要是被單詞字元環繞的模式就會匹配 -> Try it! (https://regex101.com/r/cO8lqs/26)複製程式碼前向匹配和後向匹配：(?=) 和 (?<=)
d(?=r) 只有在後面跟著“r”的時候才匹配“d”，但是“r”並不會成為整個正規表示式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/18)
(?<=r)d 只有在前面跟著“r”時才匹配“d”，但是“r”並不會成為整個正規表示式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/19)複製程式碼我們同樣能使用否定運運算元：
d(?!r) 只有在後面不跟著“r”的時候才匹配“d”，但是“r”並不會成為整個正規表示式匹配的一部分 -> Try it! (https://regex101.com/r/cO8lqs/20)
(?<!r)d 只有在前面不跟著“r”時才匹配“d”，但是“r”並不會成為整個正規表示式匹配的一部分* *->* **Try it!* (https://regex101.com/r/cO8lqs/21)複製程式碼結語
正如上文所示，正規表示式的應用領域非常廣，很可能各位讀者在開發的過程中已經遇到了它，下面是正規表示式常用的領域：
資料驗證，例如檢查時間字串是否符合格式；
資料抓取，以特定順序抓取包含特定文字或內容的網頁；
資料包裝，將資料從某種原格式轉換為另外一種格式；
字串解析，例如捕獲所擁有 URL 的 GET 引數，或捕獲一組圓括弧內的文字；
字串替代，將字串中的某個字元替換為其它字元。