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, tn,-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, tn,-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 = '

'        'Default

xyz';

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

ans =        '

'

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 = '

xyz';

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

ans =        '

'        ''        ''

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 = '

xyz';

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

ans =          {}

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

ans =        '

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'

\

>> regexpi(lstr, '\

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'

\  更严格的单词匹配，如：以 s 开头，并且以 h 结尾的单词。

>>regexpi(lstr, '\', '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 thatindicates 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'

(?

>>regexpi(s,'(?

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 thatindicates 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abc的部分：

      hstr = '

';

      expr ='<(\w+).*?>.*?</\1>';

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

>> mat{:}

ans =                          

ans =                           Default

>> 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

(?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      

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, '(?\S)\k','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 woodsthese are I think I know.'

      8                               %                 |8

ans =                                 % 'His house isin the village though;'

    23                               %                                  |23

ans =                                 % 'He will notsee me stopping here'

      6        14       23        %           |6        |14         |23

ans =                                 % 'To watch hiswoods 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', '\

idx = regexpi(cstr, expr);

idx{:}

ans =                                 % 'Whose woodsthese are I think I know.'

    23        31                   %                                              |23         |31

ans =                                 % 'His house isin the village though;'

      5        30                   %         |5                                 |30

ans =                                 % 'He will notsee me stopping here'

      6        14       23        %           |6        |14           |23

ans =                                 % 'To watch hiswoods 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 Iknow.'

          'His house is in thevi--age though;'

          'He wi-- not s-- mesto--ing here'

          'To watch his w--dsfi-- 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：Helloworld. 2 < 5

处理后：Helloworld. 2 < 5

ss='Hello world. 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 00 0 0 0 1 1 1 1 1 1];

T = 4;

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

b1 = regexprep(b,'(?

a1=b1-48