正则表达式在语料库研究中的应用.doc

PAGE  PAGE 5 正则表达式的获取及在语料库研究中的应用 石志亮 （中原工学院 外国语学院 河南 郑州 450007） 摘 要：语料库从建库到使用都离不开对语料的处理，同时对语料的检索和替换等更是语料库研究中非常重要的方法，而所有这些任务的实现都离不开正则表达式的使用，它的应用贯穿于语料库研究的始终。基于此，本文首先介绍了正则表达式的概念和功能，然后重点阐述了它的构成、获取的途径和在语料库研究中进行检索和替换等方面的应用。 关键词：正则表达式；构成；获取；应用 Obtaining and Application of Regular Expressions in Corpus Studies Shi Zhiliang (Faculty of Foreign Languages, Zhongyuan University of Technology, Zhengzhou 450007) Abstract: The establishment and application of corpus is inseparable from corpus processing, meanwhile, the retrieval and replacement of corpus is also very important in corpus studies, and all of these tasks and implementation are inseparable from the use of regular expressions, its application runs throughout corpus studies from beginning to end. Based on this, this article first introduces the concept and function of regular expressions, then discusses its composition, obtaining and application conducted in the retrieval and replacement and other aspects in corpus studies. Key words: Regular Expressions; Composition; Obtaining; Application 一. 引言 正则表达式（Regular Expression, 简称Regex）是由一些特殊的语法和指令创建的用来匹配和处理文本的字符串（Ben Forta 杨涛等 2007: 4）。它用抽象的符号语言对字符的类别、数量和位置关系等进行了描述，也正是由于它能描述和匹配具有相同或相似属性的字符，所以才可以实现高效查找和匹配（也称为检索）。而检索是语料库研究中最重要的方法之一（秦朝霞等 2011: 95），正则表达式在语料库研究中不可或缺。 在语料库研究中，正则表达式检索法是借助于一些语料库检索和编辑工具，如AntConc, PowerGREP, EditPadPro和PatternBuilder等，对赋码的电子文本进行检索的一种功能强大的检索方法（詹宏伟 2011: 26）。由于功能强大，正则表达式不仅可以完成各种复杂的检索并从中提取各种所需信息，还可以进行各种文本处理工作，也可以在几乎所有的程序语言里和几乎所有的电脑上使用。 然而，由于正则表达式中所使用的各种符号有别于自然语言中的词语，对于绝大部分从事语言学习、语言教学和语言研究的人来说难度很大（梁茂成 2009: 65）。因此，很长时间以来，只有为数不多的专家才真正了解它的原理和使用。很多外语工作者几乎从来没有听说过正则表达式这一概念，更奢谈利用它来解决语言方面的问题。本文将基于这方面的考虑来介绍正则表达式的构成、获取的途径和在语料库研究中的应用。 二. 正则表达式的构成 正则表达式不是可以直接运行的应用程序，它是根据具体的研究需要而编写的字符串。一般而言，几乎每个正则表达式都有常量和变量两部分组成。所谓常量，就是字符串中不变的部分；变量通常用一些特殊符号来表示（梁茂成等 2010: 17）。比如，在正则表达式\S+ility中，不变的部分ility就是常量，字符\S+就是变量。 正则表达式可以是纯文本（较为少用）。比如，你想在一个口语语料库中查找hi，可以使用正则表达式hi, hi就是最简单的正则表达式。 正则表达式也可以是比较简单的字符组合。比如，对某文本的汉字进行分词以后，要检索一下该文本共有多少词，可以用\S+这个简单的字符组合来完成统计。 但正则表达式更多的是字母、字符和数字的组