正则表达式中文匹配(正则表达式中文匹配慢解决办法)

正则表达式中文字符

一、校验数字的表达式

1. 数字:^[0-9]*$
2. n位的数字:^\d{n}$
3. 至少n位的数字:^\d{n,}$
4. m-n位的数字:^\d{m,n}$
5. 零和非零开头的数字:^(0|[1-9][0-9]*)$
6. 非零开头的最多带两位小数的数字:^([1-9][0-9]*)+(\.[0-9]{1,2})?$
7. 带1-2位小数的正数或负数:^(\-)?\d+(\.\d{1,2})$
8. 正数、负数、和小数:^(\-|\+)?\d+(\.\d+)?$
9. 有两位小数的正实数:^[0-9]+(\.[0-9]{2})?$
10.有1~3位小数的正实数:^[0-9]+(\.[0-9]{1,3})?$
11.非零的正整数:^[1-9]\d*$ 或 ^([1-9][0-9]*){1,3}$ 或 ^\+?[1-9][0-9]*$
12.非零的负整数:^\-[1-9][]0-9"*$ 或 ^-[1-9]\d*$
13.非负整数:^\d+$ 或 ^[1-9]\d*|0$
14.非正整数:^-[1-9]\d*|0$ 或 ^((-\d+)|(0+))$
15.非负浮点数:^\d+(\.\d+)?$ 或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
16.非正浮点数:^((-\d+(\.\d+)?)|(0+(\.0+)?))$ 或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
17.正浮点数:^[1-9]\d*\.\d*|0\.\d*[1-9]\d*$ 或 ^(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$
18.负浮点数:^-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$ 或 ^(-(([0-9]+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$
19.浮点数:^(-?\d+)(\.\d+)?$ 或 ^-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$

二、 校验字符的表达式

汉字:^[\u4e00-\u9fa5]{0,}$
英文和数字:^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
长度为3-20的所有字符:^.{3,20}$
由26个英文字母组成的字符串:^[A-Za-z]+$
由26个大写英文字母组成的字符串:^[A-Z]+$
由26个小写英文字母组成的字符串:^[a-z]+$
由数字和26个英文字母组成的字符串:^[A-Za-z0-9]+$
由数字、26个英文字母或者下划线组成的字符串:^\w+$ 或 ^\w{3,20}$
中文、英文、数字包括下划线:^[\u4E00-\u9FA5A-Za-z0-9_]+$
中文、英文、数字但不包括下划线等符号:^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
可以输入含有^%&',;=?$\"等字符:[^%&',;=?$\x22]+
禁止输入含有~的字符:[^~\x22]+

三、特殊需求表达式

Email地址:^\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*$
域名:[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(\.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+\.?
InternetURL:[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
手机号码:^(13[0-9]|14[5|7]|15[0|1|2|3|4|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX):^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$
国内电话号码(0511-4405222、021-87888822):\d{3}-\d{8}|\d{4}-\d{7}
电话号码正则表达式(支持手机号码,3-4位区号,7-8位直播号码,1-4位分机号): ((\d{11})|^((\d{7,8})|(\d{4}|\d{3})-(\d{7,8})|(\d{4}|\d{3})-(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1})|(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1}))$)
身份证号(15位、18位数字),最后一位是校验位,可能为数字或字符X:(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)
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}$
密码(以字母开头,长度在6~18之间,只能包含字母、数字和下划线):^[a-zA-Z]\w{5,17}$
强密码(必须包含大小写字母和数字的组合,不能使用特殊字符,长度在 8-10 之间):^(?=.*\d)(?=.*[a-z])(?=.*[A-Z])[a-zA-Z0-9]{8,10}$
强密码(必须包含大小写字母和数字的组合,可以使用特殊字符,长度在8-10之间):^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$
日期格式:^\d{4}-\d{1,2}-\d{1,2}
一年的12个月(01~09和1~12):^(0?[1-9]|1[0-2])$
一个月的31天(01~09和1~31):^((0?[1-9])|((1|2)[0-9])|30|31)$
钱的输入格式:
有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000":^[1-9][0-9]*$
这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式:^(0|[1-9][0-9]*)$
一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号:^(0|-?[1-9][0-9]*)$
这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧。下面我们要加的是说明可能的小数部分:^[0-9]+(.[0-9]+)?$
必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的:^[0-9]+(.[0-9]{2})?$
这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样:^[0-9]+(.[0-9]{1,2})?$
这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样:^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$
1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须:^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$
备注:这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里
xml文件:^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$
中文字符的正则表达式:[\u4e00-\u9fa5]
双字节字符:[^\x00-\xff] (包括汉字在内,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))
空白行的正则表达式:\n\s*\r (可以用来删除空白行)
HTML标记的正则表达式:<(\S*?)[^>]*>.*?|<.*? /> ( 首尾空白字符的正则表达式:^\s*|\s*$或(^\s*)|(\s*$) (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)
腾讯QQ号:[1-9][0-9]{4,} (腾讯QQ号从10000开始)
中国邮政编码:[1-9]\d{5}(?!\d) (中国邮政编码为6位数字)
IPv4地址:((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})(\.((2(5[0-5]|[0-4]\d))|[0-1]?\d{1,2})){3}

正则表达式中文匹配慢解决办法

我正在尝试解析PDF以从中提取文本(请不要建议任何库来这样做,因为这是学习格式的一部分)。

我已经处理过放气使其以字母数字格式显示。我现在需要从文本块中提取文本。

因此,我当前的模式是BT.?((.?)).*?ET(设置了DOTMATCHALL)以匹配如下内容:

BT
   /F13 12 Tf
   288 720 Td
   (ABC) Tj
ET

我唯一需要的是方括号中的文本ABC。

上面的格式仅是为了使其清晰可见。在缩小的文本中,它可能全都在一行中,也可能不是。没有保证BT / ET将在一行的开头。方括号部分之前/之后可能有空格和文本,但可能没有。但是,每个BT / ET块只有一个括号部分。

上面的模式有效,但确实很慢,我认为这是因为正则表达式库多次无法匹配与BT和(ABC)之间的文本匹配的模式。

正则表达式是预编译的,旨在加快速度,但它似乎可以忽略不计。

我该如何加快速度?

解决方案

这是一个没有正则表达式的。使用Python内部函数进行简单的字符串解析。

>>> xtract="""
... BT
...    /F13 12 Tf
...    288 720 Td
...    (ABC) Tj
... ET
...
... """
>>> for chunk in xtract.split("ET"):
...     if "BT" in chunk:
...         for brace in chunk.split(")"):
...             if "(" in brace:
...                  print brace[brace.find("(")+1:]
...
ABC

正则表达式中文括号怎么匹配

匹配中括号,例如匹配 String[] args

$ echo “String[] args” | grep -Eo “[][0-9a-zA-Z ]+”
String[] args (这一行是匹配到的结果)

(1)grep -E 加上 -E 表示采用正则表达式进行匹配。加 -o 参数,表示只输出匹配到的部分。

(2)正则表达式中,表示 Character class (字符组)的中括号:即下面例子中最外层的中括号,例如 [0-9]+ 匹配一个或多个 0 到 9 的数字,[0-9a-z]+ 匹配一个或多个 0 到 9、小 a 到 小 z 的字符。

(3)在字符组中使用中括号,也就是说在中括号里还有中括号。 匹配中括号 [ ]时,需要把中括号放到字符组的最前面,且] 在前,[在后。(如下面例子中的 [][0-9a-zA-Z ]+)

echo “String[] args” | grep -E “[[]0-9a-zA-Z ]+” 这样是不匹配 String[] args 的。

用 [ 可以匹配到左中括号,例如,这种形式 [0-9a-zA-Z []+ 可以匹配到左中括号,无法匹配右中括号:

$ echo “String[] args” | grep -Eo “[0-9a-zA-Z []+”
String[ (这一行是匹配到的结果)
args (这一行是匹配到的结果)

说明:加 -o 参数,表示只输出匹配到的部分。可以看到只匹配到了 String[,没有右中括号。

其他情况的输出结果:

$ echo “String[] args” | grep -Eo “[0-9a-zA-Z []]+”
[] (这一行是匹配到的结果)

说明:这个正则表达式 [0-9a-zA-Z [[]]+ 实际被解释为 [0-9a-zA-Z [[] 和 ]+ 了。[0-9a-zA-Z [[] 匹配左中括号,接着是 ]+ 匹配右中括号。

$ echo “String[] args” | grep -Eo “[]0-9a-zA-Z []+”
String[] args (这一行是匹配到的结果)

说明:[]0-9a-zA-Z []+ 是可以匹配 String[] args 的,需要把 ] 放到最前面。[ 放到后面也可以。

注意:一定要加 -o 参数。

匹配大括号,例如匹配 {abc 123}

大括号 { } 在中括号中没有顺序关系。也不用必须放在中括号的最前面。
这几种形式都可以: [}{0-9a-zA-Z ]+, [{}0-9a-zA-Z ]+,[0-9a-zA-Z {}]+,[0-9a-zA-Z }{]+

$ echo “{abc 123}” | grep -Eo “[}{0-9a-zA-Z ]+”
{abc 123} (这一行是匹配的结果)

$ echo “{abc 123}” | grep -Eo “[{}0-9a-zA-Z ]+”
{abc 123} (这一行是匹配的结果)

同时匹配中括号和大括号,例如匹配 new byte[]{6, 55, 73, 72, 0, 0x60, 0x77}

[][}{0-9a-zA-Z, ]+ ,[][{}0-9a-zA-Z, ]+,[]}{0-9a-zA-Z[, ]+,[]}{0-9a-zA-Z, []+,[]0-9a-zA-Z[, {}]+,[]0-9a-zA-Z, {}[]+ 都可以。

中括号中的 ] 在前,[在后,即 ][

大括号 { }先后没有关系。

$ echo “new byte[]{6, 55, 73, 72, 0, 0x60, 0x77}” | grep -Eo “[][}{0-9a-zA-Z, ]+”
new byte[]{6, 55, 73, 72, 0, 0x60, 0x77} (这一行是匹配的结果)

$ echo “new byte[]{6, 55, 73, 72, 0, 0x60, 0x77}” | grep -Eo “[][{}0-9a-zA-Z, ]+”
new byte[]{6, 55, 73, 72, 0, 0x60, 0x77} (这一行是匹配的结果)

$ echo “new byte[]{6, 55, 73, 72, 0, 0x60, 0x77}” | grep -Eo “[]}{0-9a-zA-Z[, ]+”
new byte[]{6, 55, 73, 72, 0, 0x60, 0x77}

总结

(1)匹配字符组中的中括号时(中括号里的中括号),] 需要在最前面,[ 的位置可以放在中间或者最后面。

(2)用 [ 或者 [[ 都可以匹配左中括号。

(3)匹配字符组中的大括号,此时大括号没有特殊含义,所以 { }的位置可以随意一些(但不要破坏其他区间)。

参考
https://stackoverflow.com/questions/30044199/how-can-i-match-square-bracket-in-regex-with-grep。

[…] If a bracket expression specifies both ‘-’ and ‘]’, the ‘]’ shall be placed first (after the ‘^’, if any) and the ‘-’ last within the bracket expression.
Therefore, your regex should be:
echo "fdsl[]" | grep -Eo "[][ a-z]+"

版权声明:本文(即:原文链接:https://www.qin1qin.com/catagory/24874/)内容由互联网用户自发投稿贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 630367839@qq.com 举报,一经查实,本站将立刻删除。

(0)
上一篇 2022年9月22日 上午11:57
下一篇 2022年9月23日 下午12:18
软件定制开发公司

相关阅读

发表回复

登录后才能评论
通知:禁止投稿所有关于虚拟货币,币圈类相关文章,发现立即永久封锁账户ID!