正则表达式特性#

此页面详细说明了 libcudf 字符串列 API 当前支持的正则表达式 (regex) 特性，这些 API 接受正则表达式模式

  • cudf::strings::contains_re()

  • cudf::strings::matches_re()

  • cudf::strings::count_re()

  • cudf::strings::extract()

  • cudf::strings::extract_all_record()

  • cudf::strings::findall()

  • cudf::strings::find_re()

  • cudf::strings::replace_re()

  • cudf::strings::replace_with_backrefs()

  • cudf::strings::split_re()

  • cudf::strings::split_record_re()

详细信息基于 https://regexper.cn/reference.html 中记录的特性

注意：交替字符是管道字符 |，而不是此页面表格中包含的字符。在由 doxygen 渲染的表格 markdown 中包含管道字符存在问题。

默认情况下，只有 \n 字符被识别为换行符。[cudf::strings::regex_flags::EXT_NEWLINE](@ref cudf::strings::regex_flags) 增加了换行符集，包括

  • 段落分隔符 (Unicode: 2029, UTF-8: E280A9)

  • 行分隔符 (Unicode: 2028, UTF-8: E280A8)

  • 下一行 (Unicode: 0085, UTF-8: C285)

  • 回车符 (Unicode: 000D, UTF-8: 0D)

无效的正则表达式模式将导致未定义行为。这包括但不限于以下情况

  • 当特殊字符（列在下面 Characters 表的第三行）意图匹配为字面值时未转义。

  • 不成对的特殊字符，如 ()、[] 和 {}。

  • 空的组、类或量词。即，没有包含表达式的 () 和 []，以及没有有效整数的 {}。

  • 字符类中的不完整范围，如 [-z]、[a-] 和 [-]。

  • 不合格的量词。即，没有先行匹配项的量词，如 *a、a⎮?、(+)、{2}a 等。

支持的特性#

字符#

特性

语法

描述

示例

字面字符

除了 [\^$.⎮?*+() 之外的任何字符

除了列出的特殊字符之外的所有字符都匹配其自身的一个实例

a 匹配 a

字面大括号

{ 和 }

{ 和 } 是字面字符，除非它们是有效正则表达式 token 的一部分，例如量词 {3}

{ 匹配 {

反斜杠转义元字符

\ 后跟 [\^$.⎮?*+(){} 中的任何字符

反斜杠转义特殊字符以抑制它们的特殊含义

\* 匹配 *

十六进制转义

\xFF，其中 FF 是 2 个十六进制数字

匹配 ASCII 表中指定位置的字符

\x40 匹配 @

字符转义

\n、\r 和 \t

分别匹配换行 (LF) 字符、回车 (CR) 字符和制表符

\r\n 匹配 Windows CRLF 换行符

字符转义

\a

匹配“alert”或“bell”控制字符 (ASCII 0x07)

字符转义

\f

匹配换页控制字符 (ASCII 0x0C)

NULL 转义

\0

匹配 NULL 字符

八进制转义

\100 到 \177
\200 到 \377
\01 到 \07
\010 到 \077

匹配 ASCII 表中指定位置的字符

\100 匹配 @

基本特性#

特性

语法

描述

示例

点

. (点)

匹配除了换行符之外的任何单个字符。可选地匹配换行符。点在遇到 \n 字符时的行为可以通过 cudf::strings::regex_flags 控制，适用于某些正则表达式 API。

. 匹配 x 或（几乎）任何其他字符

交替

⎮ (管道符)

使正则表达式引擎匹配左侧或右侧的部分。可以连接成一系列交替。

abc⎮def⎮xyz 匹配 abc、def 或 xyz

字符类#

特性

语法

描述

示例

字符类

[

[ 开始一个字符类。

字面字符

除了 \^-] 之外的任何字符

除了列出的特殊字符之外的所有字符都是字面字符，它们将自身添加到字符类中。

[abc] 匹配 a、b 或 c

反斜杠转义元字符

\ (反斜杠) 后跟 \^-] 中的任何字符

反斜杠转义特殊字符以抑制它们的特殊含义。

[\^\]] 匹配 ^ 或 ]

范围

在两个指定单个字符的 token 之间的 - (连字符)。

向字符类添加一个字符范围。如果 ‘-’ 是第一个或最后一个字符（例如 [a-] 或 [-z]），它将匹配字面 ‘-’ 而不是推断范围。

[a-zA-Z0-9] 匹配任何 ASCII 字母或数字

否定字符类

紧跟在开头 [ 之后的 ^ (插入符号)

否定字符类，使其匹配字符类中未列出的单个字符。

[^a-d] 匹配 x (除了 a、b、c 或 d 之外的任何字符)

字面左括号

[

左方括号是一个字面字符，它将左方括号添加到字符类中。

[ab[cd]ef] 匹配 aef]、bef]、[ef]、cef] 和 def]

字符转义

\n、\r 和 \t

分别向字符类添加 LF 字符、CR 字符或制表符。

[\n\r\t] 匹配换行符、回车符或制表符

字符转义

\a

向字符类添加“alert”或“bell”控制字符 (ASCII 0x07)。

[\a\t] 匹配 bell 字符或制表符

字符转义

\b

向字符类添加退格控制字符 (ASCII 0x08)。

[\b\t] 匹配退格符或制表符

字符转义

\f

向字符类添加换页控制字符 (ASCII 0x0C)。

[\f\t] 匹配换页符或制表符

简写字符类#

特性

语法

描述

示例

简写

\d

将所有数字添加到字符类。如果在字符类外部使用，匹配单个数字。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制，仅包含 [0-9]

\d 匹配一个数字字符

简写

\w

将所有单词字符添加到字符类。如果在字符类外部使用，匹配单个单词字符。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制，仅包含 [0-9A-Za-z_]

\w 匹配任何单个单词字符

简写

\s

将所有空白字符添加到字符类。如果在字符类外部使用，匹配单个空白字符。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制，仅包含 [\t- ]

\s 匹配任何单个空白字符

简写

\D

将所有非数字字符添加到字符类。如果在字符类外部使用，匹配一个非数字字符。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制

[\D] 匹配一个非数字字符

简写

\W

将所有非单词字符添加到字符类。如果在字符类外部使用，匹配一个非单词字符。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制

[\W] 匹配一个非单词字符

简写

\S

将所有非空白字符添加到字符类。如果在字符类外部使用，匹配一个非空白字符。该行为可以通过 [cudf::strings::regex_flags::ASCII](@ref cudf::strings::regex_flags) 控制

[\S] 匹配一个非空白字符

锚点#

特性

语法

描述

示例

字符串锚点

^ (插入符号)

匹配字符串的开头

^. 匹配 abcdef 中的 a

行锚点

^ (插入符号)

当指定 [cudf::strings::regex_flags::MULTILINE](@ref cudf::strings::regex_flags) 时：除了匹配字符串开头外，还在每个换行符后匹配，从而匹配字符串中每行的开头。

^. 匹配 abc\ndef 中的 a 和 d

字符串锚点

$ (美元符号)

匹配字符串的结尾以及字符串中最后一个换行符之前的位置

.$ 匹配 abcdef 和 abcdef\n 中的 f

行锚点

$ (美元符号)

当指定 [cudf::strings::regex_flags::MULTILINE](@ref cudf::strings::regex_flags) 时：除了匹配字符串结尾外，还在每个换行符前匹配，从而匹配字符串中每行的结尾。

.$ 匹配 abc\ndef 和 abc\ndef\n 中的 c 和 f

字符串锚点

\A

匹配字符串的开头

匹配字符串的开头

字符串锚点

\A\w 仅匹配 abc 中的 a

\Z

匹配字符串的结尾

\w\Z 匹配 abc\ndef 中的 f，但无法匹配 abc\ndef\n

特性

语法

描述

示例

单词边界#

\b

单词边界

\b

单词边界#

匹配前面是单词字符而后面不是单词字符，或者前面不是单词字符而后面是单词字符的位置。

\b. 匹配 abc def 中的 a、空格和 d

\B

匹配前面和后面都是单词字符，或者前面和后面都不是单词字符的位置。

特性

语法

描述

示例

\B. 匹配 abc def 中的 b、c、e 和 f

量词#

贪婪量词

? (问号)

\B. 匹配 abc def 中的 b、c、e 和 f

使前面的项可选。贪婪匹配，因此如果可能，可选项目会包含在匹配中。

abc? 匹配 abc 或 ab

* (星号)

\B. 匹配 abc def 中的 b、c、e 和 f

重复前面的项零次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项根本不匹配为止。

".*" 匹配 abc "def" "ghi" jkl 中的 "def" 和 "ghi"

+ (加号)

重复前面的项一次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配一次为止。

??

".+" 匹配 abc "def" "ghi" jkl 中的 "def" 和 "ghi"

惰性量词

重复前面的项一次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配一次为止。

*?

??

使前面的项可选。惰性匹配，因此如果可能，可选项目会排除在匹配之外。

重复前面的项一次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配一次为止。

+?

abc?? 匹配 ab 或 abc

.*?

重复前面的项零次或多次。惰性匹配，因此引擎首先尝试跳过前面的项，然后尝试匹配越来越多的前面的项的排列。

".*?" 匹配 abc "def" "ghi" jkl 中的 "def" 和 "ghi"

+?

重复前面的项一次或多次。惰性匹配，因此引擎首先仅匹配前面的项一次，然后尝试匹配越来越多的前面的项的排列。

\B. 匹配 abc def 中的 b、c、e 和 f

".+?" 匹配 abc "def" "ghi" jkl 中的 "def" 和 "ghi"

固定量词

{n}，其中 n 是整数：0 ≤ n ≤ 999

\B. 匹配 abc def 中的 b、c、e 和 f

精确重复前面的项 n 次。

a{5} 匹配 aaaaa

{n,m}，其中 n 和 m 是整数：0 ≤ n ≤ m ≤ 999

重复前面的项一次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配一次为止。

重复前面的项 n 到 m 次之间。贪婪匹配，因此会先尝试重复 m 次，然后再减少重复次数到 n 次。

a{2,4} 匹配 aaaa、aaa 或 aa

{n,}，其中 n 是整数：0 ≤ n ≤ 999

重复前面的项一次或多次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配一次为止。

重复前面的项至少 n 次。贪婪匹配，因此会尽可能多地匹配项目，然后尝试匹配较少前面的项的排列，直到前面的项仅匹配 n 次为止。

a{2,} 匹配 aaaaa 中的 aaaaa

{n,m}?，其中 n 和 m 是整数：0 ≤ n ≤ m ≤ 999

重复前面的项 n 到 m 次之间。惰性匹配，因此会先尝试重复 n 次，然后再增加重复次数到 m 次。

特性

语法

描述

示例

a{2,4}? 匹配 aa、aaa 或 aaaa

{n,}?，其中 n 是整数：0 ≤ n ≤ 999

重复前面的项 n 次或更多次。惰性匹配，因此引擎首先匹配前面的项 n 次，然后尝试匹配越来越多的前面的项的排列。

a{2,}? 匹配 aaaaa 中的 aa

分组#

捕获组

(regex)

括号将其中的正则表达式分组。它们将内部正则表达式匹配的文本捕获到一个编号组中。它们允许您将正则表达式运算符应用于整个分组的正则表达式。

(abc⎮def)ghi 匹配 abcghi 或 defghi

特性

语法

描述

示例

非捕获组

(?:regex)

非捕获括号将正则表达式分组，以便您可以应用正则表达式运算符，但不捕获任何内容。

(?:abc⎮def)ghi 匹配 abcghi 或 defghi

非捕获组

替换反向引用#

非捕获括号将正则表达式分组，以便您可以应用正则表达式运算符，但不捕获任何内容。

反向引用

\1 到 \99

${0}

插入由捕获组 1 到 99 匹配的文本

将 abc 中的 (a)(b)(c) 替换为 \3\3\1 得到 cca
${1} 到 ${99}