正則表達式

正則表達式（Regular Expressions, 簡稱 regex）是一種用來處理文字的強大工具。它可以幫我們輕鬆找出符合特定模式的字串，這在 AI 的資料處理、自然語言處理（NLP）等領域非常有用。

以日常生活中常見的應用來說，我們可以使用正則表達式來過濾或提取有用的資訊，比如電子郵件、電話號碼、日期格式等。

正則表達式的核心語法

• . : 任意一個字元（除了換行符號）
• \d : 任意一個數字（0-9）
• \w : 任意一個字母、數字或底線
• + : 重複出現 1 次以上
• * : 重複出現 0 次以上
• ? : 出現 0 次或 1 次
• [] : 字元集合，匹配其中任意一個字元
• ^ : 字串開頭
• $ : 字串結尾
• | : 「或」的意思，表示兩種選擇之一
• () : 群組，通常用來標示我們想要擷取的部分

正則表達式如何運用在 AI

在 AI 領域中，常常需要處理大量的文本資料。透過正則表達式，我們可以更快速地整理、提取資訊。例如：

• 資料清理：去除不必要的標點符號或雜訊
• 文字分析：從大量的文章或文件中抽取出關鍵字、日期、或特定格式的資訊
• 格式檢查：確保輸入的資料符合預期的格式（如電子郵件地址、電話號碼）

例題一：找出句子中的電子郵件

利用正則表達式來找出輸入中的電子郵件地址，這樣的寫法很適合用在分析社交媒體數據或自動分類郵件中。

• find_email 是一個函數，用來從輸入的 text 字串中提取出所有符合條件的電子郵件地址。

• r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b' 是我們用來找電子郵件的正則表達式：

2. \b 是單詞邊界，確保我們只匹配整個電子郵件，不是字串的一部分。
3. [A-Za-z0-9._%+-]+ 匹配電子郵件的用戶名部分，允許字母、數字、點、底線等字符。
4. @ 是電子郵件中的分隔符。
5. [A-Za-z0-9.-]+ 匹配郵件的域名部分。
6. \.[A-Z|a-z]{2,} 匹配結尾的「.com」、「.org」等後綴，後面至少有兩個字母。

• re.findall()：這個方法會返回所有符合條件的電子郵件地址。

• 測試中輸入了一個包含兩個電子郵件地址的範例字串，並通過 find_email() 函數找出其中的電子郵件，最後將結果輸出。

• 可以看到函數成功提取了 support@example.com 和 manager@domain.org 這兩個電子郵件地址，並將它們放入一個列表中。

例題二：從文字中提取日期

接著來試試看提取文本中的日期，這在日誌分析、文件處理等任務中很有用。

• find_dates 是一個函數，用來從輸入的 text 中提取所有符合日期格式的字串。
• 我們用 \b\d{4}[-/]\d{2}[-/]\d{2}\b|\b\d{2}[-/]\d{2}[-/]\d{4}\b' 來匹配不同的日期格式：

1. \d{4} ：表示 4 位數字（年份）
2. [-/] ：表示日期中的分隔符，允許 - 或 /
3. \d{2} ：表示月份和日期
4. 用 | ：來處理兩種常見的日期格式（例如 YYYY-MM-DD 或 DD/MM/YYYY）

• re.findall()： 在 text 中找到所有符合 date_pattern 的日期，並返回一個包含所有找到日期的列表。這裡 date_pattern 用來匹配兩種格式的日期。
• 測試中，我們輸入了一個包含兩種日期格式的文字：
  2024-09-15 是 YYYY-MM-DD 格式。
  15/09/2024 是 DD/MM/YYYY 格式。

• 最後的輸出可以看到函數成功提取了這兩個日期，並將它們放入一個列表中。

小專題：從留言中過濾不雅字眼

社交媒體的平台上，有時會出現不當的留言。這時可以透過 Python 的正則表達式，自動過濾掉這些不雅字眼，來維持乾淨的留言區。

建立一個簡單的留言過濾器，當用戶輸入留言時，若有不雅字眼，系統會自動將它們替換成「***」。以下是題目的要求：

1. 使用正則表達式 來檢測不雅字眼。
2. 替換不雅字 以保持留言區乾淨。
3. 提示使用者 留言中含有被過濾的字詞。

程式碼總覽

解題分析

1. 定義不雅字清單：首先我們建立一個不雅字的清單 bad_words = ['stupid', 'idiot', 'dumb']，這些字詞會被過濾器偵測到並替換。

2. 建立正則表達式：
   使用 r'|'.join(bad_words) 將這些字詞轉換成一個正則表達式字串，| 是「或」的意思，可以同時檢測多個不雅字。

3. 正則表達式替換：
   re.sub() 函數用來匹配並替換不雅字，這裡使用了 flags=re.IGNORECASE 來忽略大小寫，確保同個詞(如「Stupid」和「stupid」)都能被偵測。

4. 提醒留言已過濾：
   如果 filtered_message 和原始 message 不相同，代表系統已經過濾了不雅字眼，並給出提示。

5. 檢查替換結果：

• 透過比對過濾前後的字串來檢查是否有字詞被替換，如果發現不雅字，系統會提示使用者「系統提示: 你的留言包含不雅字眼，已自動過濾。」。
• 將使用者的輸入傳給 filter_message() 函數，過濾不雅字眼，然後顯示過濾後的留言。

測試輸入與輸出

• 先測試使用不同的不雅字眼，系統是否會出現提示，而提示後是否會將不雅的詞改為 *** 。
• 再來測試正常的留言，過濾後是否為原留言。
• 最後測試輸入v是否能結束整個程式的執行。

結語

一開始覺得正則表達式中那些符號有點複雜，像是 \d, \w, 還有 +、* 之類的符號，感覺有點難懂。但當我開始用它來解決問題時，突然發現這些符號其實比很多行的程式碼還要簡潔許多(但感覺可讀性沒有很高QQ)，能很快匹配到我們想要的資料。無論是找出某種格式的文字，還是從大段文本中挑出特定的東西，正則表達式都很方便。

而這次小專題的主題也是我們生活中很常見的情境，所以我不僅學到了如何使用正則表達式來過濾敏感內容，未來還能實際應用在網站或社交平台的留言過濾系統中。

以後如果遇到資料過濾、清理，甚至 AI 訓練的前期處理，我想正則表達式都會是必不可少的工具><