matlab的正则表达式讲解[转]

引言.啥是正则表达式？正则表达式是干啥的？
我理解就和我们在word或者其他编辑软件里点的查找、替换的作用是差不多的，不过功能要强大的多，当然使用起来也稍微复杂一些。
书上的定义差不多是这样的：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。
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。

稍微介绍一下这三个函数，以regexpi为例，也可以先跳过这里，看过正文之后回头再来看看这里。

[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。

若不需要所有的输出，可以用下面的方式指定所需输出。
[v1 v2 ...] = regexpi('str', 'expr', 'q1', 'q2', ...)
'q1','q2',...为'start','end','tokens','tokensExtents','match','names'之一，意义与上面的解释一样。v1,v2...的输出顺序与q1,q2...一致。

第一部分——单个字符的匹配
我们先从简单的开始——以regexpi函数为例。假设你要搜索一个包含字符'cat'的字符串，搜索用的正则表达式就是'cat'。如果搜索对大小写不敏感，单词'catalog'、'Catherine'、'sophisticated'都可以匹配。也就是说：
正则表达式：'cat'
匹配：'cat', 'catalog', 'Catherine','sophisticated'
这个好像和我们通常在记事本里ctrl+F弄出来的东西差不多哈，呵呵。。。(btw：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。)
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，假设有一本英文字典，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：
小整理：正则表达式：t.n
       匹配：ten, tin, ton, t n, tpn, t#n, t@n
Matlab例子程序:
clear;clc
str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';
pat='t.n';
o1=regexpi(str,pat,'start')%用'start'参数指定输出o1为匹配正则表达式的子串的起始位置
o2=regexpi(str,pat,'end')%用'start'参数指定输出o1为匹配正则表达式的子串的结束位置
o3=regexpi(str,pat,'match')%用'match'参数指定输出o2为匹配正则表达式的子串             
[o11,o22,o33]=regexpi(str,pat,'start','end','match') %同时输出起始位置和子串
输出为：
o22 =
    3     8 13 18 23 28 33 36
o33 =
'ten' 'tin' 'ton' 't n' 'tpn' 't#n' 't@n' 'T&n'
o1 =
    1 10 18 23 31 39 48 51
o2 =
    3 12 20 25 33 41 50 53
o3 =
'ten' 'tin' 'ton' 't n' 'tpn' 't#n' 't@n' 'T&n'
o11 =
    1 10 18 23 31 39 48 51
o22 =
    3 12 20 25 33 41 50 53
o33 =
'ten' 'tin' 'ton' 't n' 'tpn' 't#n' 't@n' 'T&n'
2 方括号符号 '[oum]' ——匹配方括号中的任意一个
为了解决句点符号匹配范围过于广泛这一问题，你可以在方括号（'[]'）里面指定看来有意义的字符。此时，只有方括号里面指定的字符才参与匹配。也就是说，正则表达式t[aeio]n只匹配tan,Ten,tin和toN等。但'Tmn'，'taen'不匹配，因为在方括号之内你只能匹配单个字符：
小整理：正则表达式：t[aeio]n
       匹配：tan, ten, tin, ton
matlab 例子程序：
clear;clc
str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';
pat='t[aeiou]n';
o1=regexpi(str,pat,'start')%用'start'参数指定输出o1为匹配正则表达式的子串的起始位置
o2=regexpi(str,pat,'end')%用'start'参数指定输出o1为匹配正则表达式的子串的结束位置
o3=regexpi(str,pat,'match')%用'match'参数指定输出o2为匹配正则表达式的子串             
[o11,o22,o33]=regexpi(str,pat,'start','end','match') %同时输出起始位置和子串
输出结果为
o1 =
    1 10 18
o2 =
    3 12 20
o3 =
'ten' 'tin' 'ton'
o11 =
    1 10 18
o22 =
    3 12 20
o33 =
'ten' 'tin' 'ton'
3   方括号中的连接符 '[c1-c2]' ——匹配从字符c1开始到字符c2结束的字母序列（按字母表中的顺序）中的任意一个。
如[a-c]匹配a,b,c,A,B,C
即：正则表达式：t[a-z]n
匹配：tan, tbn,tcn,tdn,ten,…, txn, tyn,tzn
matlab 例子程序：
clear;clc
str='ten,&8yn2tin6ui>&ton, t n,-356tpn,$$$$t#n,4@).,t@nT&nY';
pat='t[a-z]n';
o1=regexpi(str,pat,'start')%用'start'参数指定输出o1为匹配正则表达式的子串的起始位置
o2=regexpi(str,pat,'end')%用'start'参数指定输出o1为匹配正则表达式的子串的结束位置
o3=regexpi(str,pat,'match')%用'match'参数指定输出o2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子串
4   \n 等 ——特殊字符
就是由'\'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printf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，如.用正则表达式\.匹配,而\用正则表达式\\匹配
matlab程序例子
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 =
'.' '.' '.'
5   \w,\s和\d——类表达式
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程序例子，这里引用的是matlab帮助中的例子：
str='easy as 1,2,3';%这个字符串可真有点意思，呵呵
pat='\d';
[o1,o2]=regexpi(str,pat,'start','match')
输出结果为：
o1 =
    9 11 13
o2 =
'1' '2' '3'

第二部分串的匹配
1. 多次匹配
比如，我们要匹配'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。就是说，'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，详见下表，表中的expr表示第一部分我们讲过的所有表达式。
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1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如图所示。在正则表达式中，连字符（“-”）有着特殊的意义，它表示一个范围，比如从0到9。因此，匹配社会安全号码中的连字符号时，它的前面要加上一个转义字符“\”。完整的正则表达式为[0-9]{3}\-[0-9]{2}\-[0-9]{4}
假设进行搜索的时候，你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“？”数量限定符号。完整的正则表达式为[0-9]{3}\-?[0-9]{2}\-?[0-9]{4} 
下面我们再来看另外一个例子。美国汽车牌照的一种格式是四个数字加上二个字母。它的正则表达式前面是数字部分“[0-9]{4}”，再加上字母部分“[A-Z]{2}”。完整的正则表达式为[0-9]{4}[A-Z]{2} 
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*?,如：
str = '<tr valign=top><td><a name="19184"></a>xyz';
regexp(hstr, '<.*?>', 'match')
ans =
'<tr valign=top>' '<td>' '<a name="19184">' '</a>'
还有一种是expr*+ ，这种表达式的用法很诡异，没弄懂在什么地方有用。如果哪位大侠有高见，望不吝赐教！
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'
2.   逻辑运算符
简单的例子比如'exp|exp2'，表示或者满足exp或者满足exp2。还有其他一些正则表达式之间的关系如下：
(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。——关于这部分内容第三部分(tokens)还会有详细介绍
(?:expr) 说明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) 这个比较容易理解啦，就是expr放在(?#和)之间是就是注释。如：
>>regexp(lstr, '(?# Match words in caps)[A-Z]\w*', 'match')
ans =
'A'
expr1|expr2 匹配两者之一即可，expr1或者expr2
>>regexp(hstr, '[^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
>>regexpi(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(hstr, '\<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(hstr, '\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(hstr, '\<s\w*h\>', 'match')
ans =
'such'
3.   左顾右盼——利用上下文匹配
这个也比较容易理解。就是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。
>> pstr = ['While I nodded, nearly napping, ' ...
      'suddenly there came a tapping,'];
>>regexpi(pstr, '\w*(?=,)', 'match')
ans =
'nodded' 'napping' 'tapping'
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(pstr, '\w*(?!=,)', 'match')
ans =
   Columns 1 through 6
'While' 'I' 'nodded' 'nearly' 'napping' 'suddenly'
   Columns 7 through 10
'there' 'came' 'a' 'tapping'
(?<=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(pstr,'(?<=,\s*)\w*','match')
ans =
'nearly' 'suddenly'
(?<!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(pstr,'(?<!,\s*)\w*','match')
ans =
   Columns 1 through 6
'While' 'I' 'nodded' 'early' 'napping' 'uddenly'
   Columns 7 through 10
'there' 'came' 'a' 'tapping'

第三部分标记(tokens)
这部分是比较难的一部分，个人感觉。我也是勉强弄的，有什么不妥或错误往指正、海涵。
1.   什么是标记(token)?
   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的用法比较精髓——它用来说明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。 
   >>poestr = ['While I nodded, nearly napping, suddenly there came a tapping,'];
   >>[mat tok ext] = regexp(poestr, '(\S)\1', 'match', 'tokens', 'tokenExtents');
   >>mat
   mat =
   'dd' 'pp' 'dd' 'pp'
   >>tok{:}
   ans =
   'd'
   ans =
   'p'
   ans =
   'd'
   ans =
   'p'
   >>ext{:}
   ans =
   11 11
   ans =
   26 26
   ans =
   35 35
   ans =
57 57
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
这个例子说明了标记的生成过程：
   >>pstr='andy ted bob jim andrew andy ted mark';
   >> [t,m]=regexp(pstr,pat,'tokens','match')
   t =
   {1x1 cell} {1x2 cell} {1x1 cell} {1x1 cell} {1x2 cell}
   m =
   'andy' 'ted' 'andrew' 'andy' 'ted'
   >> t{:}
   ans =
   'y'
   ans =
   't' 'd'
   ans =
   'rew'
   ans =
   'y'
   ans =
   't' 'd'
\N           匹配同一条正则表达式里的第N个标记中的字符串。如\1匹配第一个标记；
       一个例子,用来查找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）
   一个例子，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
   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
             这个例子有点意思，是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,则结果如下：
            >>[mat tok] = regexp('Mr. Clark went to see her son', expr, 'match', 'tokens')
             mat =
               {}
             tok =
               {}
             没有与之匹配的结果，呵呵。。。

第四部分多行字符串与多正则表达式
这是最后一部分，也是最容易的一部分了。
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 = regexp(cstr, '(.)\1');
>>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
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
3. 多字符串的替换
这个就是在匹配的基础上，在正则表达式后面加入要替换的字符串就ok啦。
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.

4．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

ok. That'all.GoOd Luck~~