正则表达式课堂笔记

写在开头的话

题：最近我在炼数成金社区上《R七种武器之网络爬虫RCurl》这一门课，然后三周的短课程在最后一周就提到了正则表达式。刚好我在大二的时候有听过传智播客的老师讲过，还有点印象，听起课来还蛮舒服的，倒也觉得这个东西还是挺重要的，它就像是一个模式，用以解决一类事情，如过滤邮箱地址等，故我现在做个笔记，以博客的形式。

对一个新事物学习的模式

(What is it)是什么?
(How to do it)怎么做?
(Why we need it)为什么?

正则表达式是什么？

字符串的操作(R语言)

• 由于正则表达式是字符串的一些规则，所以我们首先温习一下字符串的基本操作
  • 赋值
  • 长度：nchar、字符串个数：length
  • 替换：chartr(原始字符、替换字符、字符串)
  • 连接：paste 参数sep，collapse
  • 切割：strsplit
  • 比较：>、<、==、！=
  • 并集、交集、补集：union,intersect,setdiff
  • 截取：sustr，substring
  • 匹配：match，pmatch，charmatch

    # 赋值
    hello <- "Hello World!"
    hello
    [1] "Hello World!"
    
    # 长度:nchar
    nchar(hello)
    [1] 12
    # 字符串个数:length
    hello2 <- c("Hello","World!")
    length(hello2)
    [1] 2
    
    # 替换：chartr(原始字符、替换字符、字符串)
    # 原始字符和替换字符的长度一一对应，如例：e对1，l对2，o对3
    chartr("elo","123",hello)
    [1] "H1223 W3r2d!"
    hello
    [1] "Hello World!"
    
    # 连接：paste 参数sep，collapse
    # sep=""表示字符串间无缝结合
    paste("Hello","World!",sep="")
    [1] "HelloWorld!"
    # 不设sep参数，默认字符串间是空格
    paste("Hello","World!")
    [1] "Hello World!"
    
    # 字符串切割strsplit
    # 第一个参数为要切割的字符串，第二个参数为字符串的切割值
    str="My/name/is/Tim/Chan!"
    strsplit(str,"/")
    [[1]]
    [1] "My"    "name"  "is"    "Tim"   "Chan!"
    
    # 字符串的比较
    # 字符串的比较准则：从左到右逐个字符按照字母表顺序一一对比
    a = "a"
    b = "b"
    a > b
    [1] FALSE
    b > a
    [1] TRUE
    c = "ab"
    d = "aaaaaaa"
    c >d
    [1] TRUE
    a == b
    [1] FALSE
    
    # 并集、交集、补集：union,intersect,setdiff
    # 高中集合知识温习，假设有a,b两个集合
    # 并集：所有ａ集合和所有ｂ集合的元素组成的新的集合，重复元素只出现一次
    # 交集：取既在a集合也在b集合的元素组成的集合
    # 补集：setdiff(a,b)，取在a中的元素但不在b中的元素组成的集合
    a = c("a","b","c","d","e")
    b = c("c","d","e","f","g")
    # 取并集
    union(a,b)
    [1] "a" "b" "c" "d" "e" "f" "g"
    # 取交集
    intersect(a,b)
    [1] "c" "d" "e"
    # 取补集
    setdiff(a,b)
    [1] "a" "b"
    setdiff(b,a)
    [1] "f" "g"
    
    # 截取：substr,substring
    # substr(x, start, stop)
    # substring(text, first, last = 1000000L)
    # 准备字符串
    strs
    [1] "abcdefghijklmnopqrstuvwxyz"
    # 第一种比较，没有不同
    substr(strs,2,5)
    [1] "bcde"
    substring(strs,2,5)
    [1] "bcde"
    # 第二种比较
    # substring截取的字符串分布对应位置：2-5,3-6,4-7,5-8
    # 而substr只处理第一个位置2-5
    substring(strs,2:5,5:8)
    [1] "bcde" "cdef" "defg" "efgh"
    substr(strs,2:5,5:8)
    [1] "bcde"
    # 第三种比较，没有指定stop参数
    # substring默认为渠道字符串末尾
    # substr则报错
    substring(strs,2)
    [1] "bcdefghijklmnopqrstuvwxyz"
    substr(strs,2)
    Error in substr(strs, 2) : argument "stop" is missing, with no default
    
    # 匹配 match,pmatch,charmatch
    # matcht：完整匹配
    # pmatch，charmatch部分匹配
    	

More info:百度百科

正则表达式的简单定义

• 正则表达式主要是对字符串操作的一系列规则。

正则表达式入门

• :转义字符
• .:除了换行以外的任意字符
• ^:一行字符串的起始
• $:一行字符串的结束
• *:零个或多个字符
• +:一个或多个字符
• ?:零个或者一个字符
• 保留字符都需要在前面加上转义字符来表示

正则表达式怎么实现？

为什么我们需要正则表达式？

后记