最後更新：2026年10月8日
第6週 從詞語到語料庫：正則表達式（Regex）
1. 什麼是正則表達式？
正則表達式（regular expression，簡稱 regex）是一種描述文本「形狀」的小型模式語言，而不是只描述某一個固定的字符串。例如，你不必搜尋字面上的「1898」，而可以搜尋「任意四個數字」；你也不必刪除某一個特定的註腳標記，而可以刪除「任何方括號裡的數字」。有了 regex，電腦就能根據文本的結構來查找、提取或清理內容。這正是處理文本資料時最常見的需求，例如：
- 從 OCR（文字識別）得到的文本中提取日期、人名或章回標題；
- 刪除頁碼和註腳標記；
- 把一個長文件切分成統一的單位（章節、條目、記錄）。
regex 從左到右逐字匹配文本。模式裡的大多數字符是字面字符：它們只匹配自己。少數字符（. * + ? ^ $ [ ] ( ) | \ { }）是元字符（metacharacter），有特殊含義（見下表）。如果想匹配這些字符本身，就要在前面加反斜線來轉義（escape）。例如 \. 匹配真正的句點，而不是「任意字符」。
2. 基本語法（RegexOne）
下面這些基本單元來自互動練習網站 RegexOne。它們在 Python 的 re 模塊以及幾乎所有其他語言的 regex 中都通用。
| 模式 | 含義 | 例子 |
|---|---|---|
abc | 字面字符：恰好匹配「abc」 | cat 能匹配 "concatenate" 中的 "cat" |
. | 任意單個字符（換行除外） | c.t 匹配 "cat"、"cot"、"c_t" |
[abc] | 字符類：集合中的任意一個字符 | [aeiou] 匹配任意一個元音字母 |
[a-z]、[0-9] | 字符類中的範圍 | [A-Za-z] 匹配任意英文字母 |
[^abc] | 取反：不在集合中的任意字符 | [^0-9] 匹配任何不是數字的字符 |
\d、\w、\s | 簡寫字符類：數字、「單詞」字符（字母／數字／下劃線）、空白 | \d{4} 匹配四位數的年份 |
? | 前一項可有可無（0 次或 1 次） | colou?r 匹配 "color" 和 "colour" |
* | 前一項出現 0 次或多次 | ab*c 匹配 "ac"、"abc"、"abbbc" |
+ | 前一項出現 1 次或多次 | \d+ 匹配一個或多個數字 |
{n}、{n,}、{n,m} | 恰好 n 次／至少 n 次／n 到 m 次 | \d{3}-\d{4} 匹配類似電話號碼的 "555-1234" |
^、$ | 錨點：一行（或字符串）的開頭／結尾 | ^Chapter 只在該行以 "Chapter" 開頭時才匹配 |
a|b | 或：匹配 "a" 或 "b" | cat|dog 匹配 "cat" 或 "dog" |
( ) | 分組：把一段子模式打包，還可以「捕獲」出來單獨使用 | (\d{4})-(\d{2})-(\d{2}) 分別捕獲年、月、日 |
完整例子：想從一份雜亂的文本中找出形如「1898-03-12」的日期，可以用 \d{4}-\d{2}-\d{2}，意思是「四個數字、一個短橫、兩個數字、一個短橫、兩個數字」。不管日期出現在哪裡，只要形狀吻合就能匹配，你不需要事先知道有哪些日期。如果把每一部分用括號括起來，寫成 (\d{4})-(\d{2})-(\d{2})，程式還能把年、月、日分別取出來。
在進入下面的中文專題之前，建議先到 regexone.com 做完基礎練習。
3. 中文的特殊之處：為什麼 \w 和 [a-z] 不夠用？
上面的簡寫類（\w、[a-z] 等）是為拉丁字母和數字設計的，所以匹配不到漢字。處理中文文本需要一些額外工具，請見互動頁面 中文正則表達式入門（Regex ABCs for Chinese）。頁面包含 11 節核心課程，另有 4 節講解實際使用中的常見陷阱，例子取自《紅樓夢》和《明史》。
| 模式／問題 | 解決什麼 |
|---|---|
[\u4e00-\u9fff] | 匹配一個常用漢字，即 Unicode 的主要「中日韓統一表意文字」區塊。 |
[\u3400-\u4dbf] | CJK 擴展 A 區：落在上面主區塊之外的較少見漢字（一些人名和古字會用到）。 |
\p{Script=Han} | 一次匹配所有 Unicode 區塊和擴展區的漢字，不必記各個範圍。在 Python 中需使用第三方的 regex 模塊（不是內置的 re）；在 JavaScript 中要加上 u 標誌。 |
| 全角與半角標點 | 中文通常使用全角標點（，。！？），看起來和 ASCII 標點（,.!?）相似，其實是不同的字符。只針對 ASCII 標點寫的模式，遇到中文標點會悄悄地匹配不到。 |
\u3000 | 表意文字空格（全角空格），和普通的 ASCII 空格（ ）是不同的字符。OCR 或複製貼上得到的中文文本常常兩種混用，導致只找普通空格的模式失效。 |
| 簡體與繁體 | 同一個詞可能是兩個不同的字符串，例如 討論（繁體）和 讨论（簡體）。只針對其中一種寫的模式或字符類，匹配不到另一種。解決辦法：先統一文本（例如用 opencc，搭配詞練習中用過），或在字符類／「或」中把兩種寫法都寫進去。 |
綜合例子：想匹配古典小說的回目標題，如「第一回」或「第一一八回」，可以寫成 ^第[一二三四五六七八九十百千0-9]+回。拆開來看：
^：錨點，必須從行首開始；第：字面字符；[一二三四五六七八九十百千0-9]：字符類，混合了中文數字和阿拉伯數字；+：量詞，出現一次或多次；回：字面字符。
這就是把 RegexOne 的基本語法和中文專用的字符類結合起來使用。
請完成互動課程 中文正則表達式入門（Regex ABCs for Chinese）：每一步會給你一句真實的古典或現代中文文本，要你寫出能把指定部分提取出來的模式。
4. 課堂／課後練習
把下面的提示詞貼給你的智能體（agent），並根據你自己的文本調整文件名和需要的模式。
提示詞（Prompt）
我有一個需要在分析前清理的文本文件 source.txt。 請寫一個 Python 腳本（clean.py），完成以下工作： - 讀取 source.txt - 用正則表達式找出並報告所有形如 [1]、[2]、[23] 的註腳標記（方括號裡的數字） - 用正則表達式找出並報告所有四位數的年份（例如 1898） - 從文本中刪除註腳標記，並把清理後的結果存成 source_clean.txt - 打印找到的註腳標記數量和年份數量 請在每個正則表達式上方用一小段註釋，以通俗的語言解釋你用的模式。
先檢查打印出的數量和清理後的文件，然後試著把同一個腳本改成適用於你自己文本的模式（例如章回標題、日期格式、人名列表、OCR 產生的雜訊）。
延伸閱讀與練習
- RegexOne（互動練習）
- 中文正則表達式入門（Regex ABCs for Chinese）（互動練習）