加载中…
个人资料
微博
  • 博客等级：
  • 博客积分：
  • 博客访问：
  • 关注人气：
  • 获赠金笔：0支
  • 赠出金笔：0支
  • 荣誉徽章：
正文 字体大小：大 中 小

matlab里面的正则表达式

(2010-08-26 13:17:17)
标签：

matlab

正则表达

regular

expression

教育

 分类： matlab及perl学习
1.  引言

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找、替换等。本文将以 Matlab 为编程语言，讲解正则表达式的概念和使用方法，

并将在文末以实例说明正则表达式的实践应用。

Matlab 提供的正则表达式函数有三个：

regexp——用于对字符串进行查找，大小写敏感；

regexpi——用于对字符串进行查找，大小写不敏感；

regexprep——用于对字符串进行查找并替换。

简要介绍一下这三个函数，以 regexpi 为例  ——  读者可以先跳过这里，看过全文之后再来看这里。

 

用法 1：

[start end extents match tokens names] = regexpi('str', 'expr') 

start 为匹配字符串的起始位置；end 为匹配字符串的终止位置；extents 为扩展内容，和'tokens'指示符

一起用，指示出现 tokens 的位置；match 即找到的匹配字串；tokens 匹配正则表达式中标记(tokens)的字串；

names 为匹配到的命名标记的标记名。

 

用法 2：

若不需要所有的输出，可以用下面的方式有选择的输出。

[v1 v2 ...] = regexpi('str', 'expr', 'q1', 'q2', ...)

'q1'、'q2' ......  为  'start'、'end'、'tokens'、'tokensExtents'、'match'、'names'  之一，意义与前文相同。v1、

v2......  的输出顺序与 q1、q2......  一致。                

2.  单个字符的匹配

我们先从简单的开始  ——  以 regexpi 函数为例，不区分字符的大小写。假设你要搜索  'cat'，搜索用

的正则表达式就是  'cat'，这与文本编辑工具里常用的 CTRL+F 是一样的，即正则表达式  'cat'  匹配  'cat'、

'Cat'、'cAt'、'CAt'、'caT'、'CaT'、'cAT'、'CAT'。

为了方便，下面的叙述中字符串和正则表达式的''都省略不写。

2.1  句点符号     

.  ——  匹配任意一个（只有一个）字符（包括空格）。

假设你在玩英文拼字游戏，想要找出三个字母的单词，而且这些单词必须以  't'  字母开头，以  'n'  字母结束；另外，有一本英文字典，你可以用正则表达式搜索它的全部内容。要构造出这个正则表达式，你可以使用一个通配符  ——  句点符号  '.'  。这样，完整的表达式就是 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。这是因为句点符号匹配所有字符，包括空格，即：正则表达式 t.n 匹配 ten、tin、ton、t n、tpn、t#n、t@n 等。

Matlab 程序实例：

clear;clc

str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';

pat='t.n';

o1=regexpi(str,pat,'start')              %用'start'指定输出 o1 为匹配正则表达式的子串的起始位置

o2=regexpi(str,pat,'end')                %用'end'指定输出 o2 为匹配正则表达式的子串的结束位置

o3=regexpi(str,pat,'match')            %用'match'指定输出 o3 为匹配正则表达式的子串                           

[o11,o22,o33]=regexpi(str,pat,'start','end','match')            %同时输出起始位置和字串

输出为：

o22 =          3          8        13        18        23        28        33        36

o33 =        'ten'        'tin'        'ton'        't n'        'tpn'        't#n'        't@n'        'T&n'

o1 =          1        10        18        23        31        39        48        51

o2 =          3        12        20        25        33        41        50        53

o3 =        'ten'        'tin'        'ton'        't n'        'tpn'        't#n'        't@n'        'T&n'

o11 =          1        10        18        23        31        39        48        51

o22 =          3        12        20        25        33        41        50        53

o33 =        'ten'        'tin'        'ton'        't n'        'tpn'        't#n'        't@n'        'T&n'

2.2  方括号符号 

[oum]  ——  匹配方括号中的任意一个。

为了解决句点符号匹配范围过于广泛这一问题，你可以在方括号（[]）里面指定看来有意义的字符。此时，只有方括号里面指定的字符才参与匹配。也就是说，正则表达式 t[aeio]n 只匹配 tan、Ten、tin 和 toN等。但 Tmn、taen 不匹配，因为在方括号之内你只能匹配单个字符。

Matlab 程序实例：

clear;clc

str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';

pat='t[aeiou]n';                     

[o11,o22,o33]=regexpi(str,pat,'start','end','match')    %í?ê±ê?3??eê?????oí×ó′?

o11 =          1        10        18

o22 =          3        12        20

o33 =        'ten'        'tin'        'ton'

2.3  方括号中的连接符

'[c1-c2]'  ——  匹配从字符 c1 开始到字符 c2 结束的字母序列（按字母表中的顺序）中的任意一个。 例如  [a-c]  匹配  a、b、c、A、B、C，即正则表达式  t[a-z]n  匹配  tan、tbn、tcn、tdn、ten、……、txn、tyn、tzn。

Matlab 程序实例：

clear;clc

str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';

pat='t[a-z]n';                       

[o11,o22,o33]=regexpi(str,pat,'start','end','match')   

o11 =          1        10        18        31

o22 =          3        12        20        33

o33 =          'ten'        'tin'        'ton'        'tpn'

2.4  特殊字符

\.等  ——  即由  '\'  引导的，代表有特殊意义或不能直接输入的单个字符。

在使用 fprintf 函数输出时我们常用  '\n'  来代替回车符，这里也是同样的道理，用  \n  在正则表达式中表示回车符。类似的还有  \t  横向制表符，'\*'  表示  '*'  等。后一种情况用在查询在正则表达式中有语法作用的字符，详见下文。

下面是一些匹配单个字符的转义字符正则表达式及所匹配的值。

\xN 或\x{N}   匹配八进制数值为 N 的字符

\oN 或\o{N}   匹配十六进制数值为 N 的字符

\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，例如  .  用正则表达式  \.  匹配，而  \  用正则表达式  \\  匹配。

Matlab 程序实例：

clear;clc

str='l.[a-c]i.$.a';

pat1='.';pat2='\.';

o=regexpi(str,pat1,'match')

o1=regexpi(str,pat2,'match')

输出为：

o =        'l'        '.'        '['        'a'        '-'        'c'        ']'        'i'        '.'        '$'        '.'        'a'

o1 =        '.'        '.'        '.'

2.5  类表达式

\w、\s  和  \d 等  ——  匹配某一类字符中的一个。

和上面的  \n  等表中的转义字符有所不同，\w、\s、\d  等匹配的不是某个特定的字符，而是某一类字符。具体说明如下：

\w            匹配任意的单个文字字符，相当于  [a-zA-Z0-9_]；

\s             匹配任意的单个空白字符，相当于  [\t\f\n\r]；

\d             匹配任意单个数字，相当于  [0-9]；

\S            匹配除空白符以外的任意单个字符，相当于  [^\t\f\n\r]  ——  方括号中的^表示取反；

\W           匹配任意单个字符，相当于  [^a-zA-Z0-9_]；

\D            匹配除数字字符外的任意单个字符，相当于  [^0-9]。

Matlab 程序实例：

s='This city has a population of more than 1,000,000.';

ptn='\d';

regexp(s,ptn,'match')

 

输出为：

ans =          '1'        '0'        '0'        '0'        '0'        '0'        '0'

3．字符串的匹配

3.1  多次匹配

例如需要匹配  'ppp'，那么就可以用正则表达式  'ppp'，还有一种更简单一点的记法  '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，即  'p{2,3}'  匹配  'pp'  和  'ppp'。除了  '{}'，还有几个

字符，用在表示单个字符的正则表达式后面表示次数，如下所述：

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 0 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

假设我们要在文本文件中搜索美国的社会安全号码。这个号码的格式是 999-99-9999。用来匹配它的正则表达式为  [0-9]{3}\-[0-9]{2}\-[0-9]{4}。在正则表达式中，连字符（“-”）有着特殊的意义，因此，它的前面要加上一个转义字符  \。

如果希望连字符号可以出现，也可以不出现  ——  即 999-99-9999 和 999999999 都属于正确的格式。这时，你可以在连字符号后面加上  '?'  数量限定符。这样正则表达式为  [0-9]{3}\-?[0-9]{2}\-?[0-9]{4}。 另外，当我们使用  expr*  时，Matlab 将尽可能的匹配最长的字符子串。如：

>>str = '<tr valign=top><td><a name="19184"></a>xyz';

>>regexp(hstr, '<.*>', 'match')

ans =        '<tr valign=top><td><a name="19184"></a>'

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*?，

例如：

>>str = '<tr valign=top><td><a name="19184"></a>xyz';

>>regexp(hstr, '<.*?>', 'match')

ans =        '<tr valign=top>'        '<td>'        '<a name="19184">'        '</a>'

这个表达式的执行过程是这样的，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。例如：

>>str = '<tr valign=top><td><a name="19184"></a>xyz';

>>regexp(hstr, '<.*+>', 'match')

ans =          {}

>>regexp(hstr, '<.*+', 'match')

ans =        '<tr valign=top><td><a name="19184"></a>xyz'

3.2    逻辑运算符

exp|exp2  表示或者满足 exp 或者满足 exp2。

(expr)  将 expr 标记为一组，匹配 expr，并将匹配的字符子串标记起来以供后面使用。关于这部分内容下面还会有更详细介绍。

(?:expr)  表示 expr 为一组，相当于数学表达式中的()

例如：

lstr='A body or collection of such stories';

regexp(lstr,'(?:[^aeiou][aeiou]){2,}','match')

ans =        'tori'

上面的表达式中  {2,}  对  [^aeiou][aeiou]  起作用，如果去掉分组，则只对  [aeiou]  起作用，如下所示：

>>regexp(lstr,'[^aeiou][aeiou]{2,}','match')

ans =        'tio'        'rie'

(?>expr) expr 中的每个元素是一个分组。(?#expr)  放在(?#和)之间的是注释。如：

>>regexp(lstr, '(?# Match words in caps)[A-Z]\w*', 'match')

ans =        'A'

expr1|expr2  匹配 expr1 或者 expr2 两者之一即可。

>>regexp(lstr, '[^aeiou\s]o|[^aeiou\s]i', 'match')

ans =        'bo'        'co'        'ti'        'to'        'ri'

^expr  匹配 expr，并且出现在原字符串最前端的子串。expr$  匹配 expr，并且出现在原字符串最末端的子串。

>>pi(lstr, '^a\w*|\w*s$', 'match')

ans =        'A'        'stories'

\<expr  匹配 expr，并且出现在一个单词最前端的子串。

>> regexpi(lstr, '\<s\w*', 'match')

ans =        'such'        'stories'

expr\>  匹配 expr，并且出现在一个单词最末端的子串。

>> regexpi(lstr, '\w*tion\>', 'match')

ans =        'collection'

\<expr\>  更严格的单词匹配，如：以 s 开头，并且以 h 结尾的单词。

>>regexpi(lstr, '\<s\w*h\>', 'match')

ans =        'such'

3.3  左顾右盼  ——  利用上下文匹配

利用上下文的匹配来找到我们要找的内容。expr1(?=expr2)  找到匹配 expr1  的子串，如果其后的字符串也匹配 expr2。如下面的例子查找所有在','之前的单词。

s='Grammar Of, relating to, or being a noun or pronoun case that indicates possession.';

ptn='\w*(?=,)';

regexp(s,ptn,'match')

ans =        'Of'        'to'

expr1(?!expr2)  找到匹配 expr1 的子串如果其后的字符串不匹配 expr2。下面的例子匹配所有不在','之前的单词：

>>regexpi(s, '\w*(?!=,)', 'match')

ans =          'Grammar'        'Of'        'relating'        'to'        'or'        'being'        'a'        'noun'        'or'     

  'pronoun'        'case'        'that'        'indicates'        'possession'

(?<=expr1)expr2  找到匹配 expr2 的子串，如果其前面的字符串也匹配 expr1。下面的例子查找所有在  ','之后的单词，注意  ','  之后可能有空格。

>>regexpi(s,'(?<=,\s*)\w*','match')

ans =          'relating'        'or'

(?<!expr1)expr2  找到匹配 expr2 的子串，如果其后的字符串不匹配 expr1。下面的例子查找所有不在','之后的单词：

>>regexpi(s,'(?<!,\s*)\w*','match')

ans =       'Grammar'        'Of'        'elating'        'to'        'r'        'being'        'a'        'noun'        'or' 

        'pronoun'        'case'        'that'        'indicates'        'possession'

4．标记(tokens)

这部分是比较难的一部分，但是应用得当可以实现非常强大的功能。

4.1  什么是标记(tokens)

任何的正则表达式都可以用圆括号括起来作为一个标记。例如，创建一个记录钱数的标记，就可以用($\d+)。这样与之匹配的字符串就会被记录下来，根据这个标记出现的顺序，可以使用  \n 来引用匹配这个标记的字符串。如  \3  来引用与标记相匹配的第三个字符串。（如果在替换函数 regexprep  中，需要用  $3

来引用。） 下面是一个例子，\S 查找任意的非空白字符，\1 用来说明要匹配第一个 tokens 的内容，也就是要立即再次查找刚刚匹配到的同一个字符，并且要紧挨着第一个。'tokens'  选项用来向 tok 输出所有匹配到的标记；而  'tokenExtents'  则用来表示匹配标记的起始位置。 

s='Grammar Of, relating to, or being a noun or pronoun case that indicates possession.';

[mat,tok,ext]=regexpi(s, '(\S)\1','match','tokens','tokenExtents')

>>mat

  mat =          'mm'        'ss'        'ss'

>>tok{:}

ans =          'm'

ans =          's'

ans =          's'

>>ext{:}

ans =          4          4

ans =        75        75

ans =        78        78

4.2  如何使用标记？

(expr)  记录所有匹配表达式的字符，并做为一个标记，以备后面使用。如上面的例子，利用标记实现查找连续的重复字母。 

\N  匹配同一条正则表达式里的第 N  个标记中的字符串，例如  \1  匹配第一个标记。下面的例子可以查找 html 语句中类似<a>abc</a>的部分：

        hstr = '<!comment><tr nam="7507"></tr><table>Default</table><br>';

        expr = '<(\w+).*?>.*?</\1>';

        [mat tok] = regexp(hstr, expr, 'match', 'tokens');

>> mat{:}

ans =                            <tr nam="7507"></tr>

ans =                            <table>Default</table>

>> tok{:}

ans =                                    'tr'

ans =                                    'table'

$N  在一个替换字符串中插入与第 N 个标记相匹配的字符串（只用于 regexprep 函数）。下面的例子可以将匹配到的第一个 token 和第二个 token 的位置互换：

>> regexprep('Norma Jean Baker', '(\w+\s\w+)\s(\w+)', '$2, $1')

ans =                        Baker, Norma Jean

(?<name>expr)  记录所有匹配表达式 expr 的字符，做为一个标记，并设定一个名字 name。\k<name>       

与名为 name 的标记相匹配。下面这个例子和这部分第一个例子是一样的，只不过使用了命名的标记。

>>poestr = ['While I nodded, nearly napping, ' ...

                            'suddenly there came a tapping,'];

        >>regexp(poestr, '(?<nonwhitechar>\S)\k<nonwhitechar>', 'match')

ans =          'dd'        'pp'        'dd'        'pp'

(?(tok)expr)  如果标记 tok 已经产生，则匹配表达式 expr。if-then 结构。其中的标记可以是数字标记，也可以是命名标记。 (?(tok)expr1|expr2)  如果标记 tok 已经产生，则匹配表达式 expr1，否则匹配表达式 expr2。if-then-else结构 下面的例子用来检查一个句子中的性别用词是否匹配，表达式的意思就是，如果前面用的是  'Mrs'  那

么后面就匹配  'her'，如果前面用的是'Mr'，也就是没有匹配到  'Mr'  后面的  's'，则后面匹配  'his'。

>>expr = 'Mr(s?)\..*?(?(1)her|his) son';

>>[mat tok] = regexp('Mr. Clark went to see his son', expr, 'match', 'tokens')

        mat =              'Mr. Clark went to see his son'

tok =            {1x2 cell}

>>tok{:}

ans =                                      ''        'his'

如果把句子中的 his 改成 her,则没有与之匹配的结果。

>>[mat tok] = regexp('Mr. Clark went to see her son', expr, 'match', 'tokens')

mat =                                      {}

tok =                                      {}

5．多行字符串与多正则表达式

5.1  多字符串与单个正则表达式匹配

多个字符串存在一个元胞数组里之后，每一个字符串与正则表达式匹配，返回值的维数与元胞数组相同。

cstr = {                                                                    ...

'Whose woods these are I think I know.' ; ...

'His house is in the village though;'      ; ...

'He will not see me stopping here'            ; ...

'To watch his woods fill up with snow.'};

>>idx{:} 

ans =                                  % 'Whose woods these are I think I know.'

        8                                %                  |8

ans =                                  % 'His house is in the village though;'

      23                                %                                    |23

ans =                                  % 'He will not see me stopping here'

        6        14        23        %            |6        |14          |23

ans =                                  % 'To watch his woods fill up with snow.'

      15        22                    %                            |15    |22

5.2  多个字符串与多个正则表达式匹配

这种情况下，应该满足字符串元胞数组中字符串的个数和正则表达式的个数相等——但维数不一定要相等——如可以用 4*1 的元胞数组与 1*4 的正则表达式相匹配。

expr = {'i\s', 'hou', '(.)\1', '\<w[aeiou]'};

idx = regexpi(cstr, expr);

idx{:}

ans =                                  % 'Whose woods these are I think I know.'

      23        31                    %                                                |23          |31

ans =                                  % 'His house is in the village though;'

        5        30                    %          |5                                  |30

ans =                                  % 'He will not see me stopping here'

        6        14        23        %            |6        |14            |23

ans =                                  % 'To watch his woods fill up with snow.'

                4        14        28        %        |4              |14                  |28

5.3  多字符串的替换

这个功能是在匹配的基础上，在正则表达式后面加入要替换的字符串即可。下面这个是 matlab 中的例子，很容易理解。

>>s = regexprep(cstr, '(.)\1', '--', 'ignorecase')

s =        'Whose w--ds these are I think I know.'

            'His house is in the vi--age though;'

            'He wi-- not s-- me sto--ing here'

            'To watch his w--ds fi-- up with snow.

6．应用实例

问题 1：查找包含某个字串的串。例如：

在 str  =  {'apple_food'  ,  'chocolates_food',  'ipod_electronics',  'dvd_player_electronics',  'water_melon_food'}

中查找字串'food'，得到结果  [1 1 0 0 1]。

str = {'apple_food' , 'chocolates_food', 'ipod_electronics', 'dvd_player_electronics', 'water_melon_food'} ;

ptn='food';

m1=regexp(str,ptn,'match');

ix=~cellfun('isempty',m1);

 

问题 2：如何将 Matlab 中的  ^  转换成 C 语言？如将 a^b 转换成 a**b，或者 pow(a,b)。以下式为例：

s=1/2*w/(1+Pf^2*Pc-Pf^2*Pc*w1-w1*Pf^2-Pf*Pc-Pf^2*w^2+2*w1*Pf-2*Pf)

Matlab 提供了 ccode 命令，用于将 Matlab 转换为 c，这里仅为一例：

s='1/2*w/(1+Pf^2*Pc-Pf^2*Pc*w1-w1*Pf^2-Pf*Pc-Pf^2*w^2+2*w1*Pf-2*Pf)';

ptn='(\w{1,2})\^(\d{1})';

regexp(s,ptn,'tokens');

s1=regexprep(s,ptn,['pow(','$1',',','$2',')'])

 

问题 3：删掉<和/>和它们之间的部分，例如：

处理前：Hello <a href="world">world</a>. 2 < 5 

处理后：Hello world. 2 < 5 

ss='Hello <a href="world">world</a>. 2 < 5'; 

b='<.*?>'; 

sr=regexprep(ss,b,'') 

 

问题 4：游程平滑算法：将连续的且个数小于某个阈值的 0 全部替换成 1，例如：

平滑前：1111100000111100011

平滑后：1111100000111111111

 

a = [1 0 0 1 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1];

T = 4;

b = sprintf('%d',a);

b1 = regexprep(b,'(?<!0)0{1,3}(?!0)', repmat('1', size('$0')));

a1=b1-48

喜欢

0

阅读┊ 收藏 ┊ 喜欢▼ ┊打印┊举报/Report
  

新浪BLOG意见反馈留言板　欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 产品答疑

Copyright © 1996 - 2022 SINA Corporation, All Rights Reserved

新浪公司 版权所有