回复: BFSU Sentence Collector 1.0 基于语料库的英语例句提取工具
Thanks for your reply......
SC1.0使用的正则表达式不完全是PCRE（Perl Compatible Regular Expressions），CS支持通用的正则表达式语法：
第一类：
1. \ Quote the next metacharacter
2. ^ Match the beginning of the line
3. . Match any character (except newline)
4. $ Match the end of the line (or before newline at the end)
5. | Alternation
6. () Grouping
7. [] Character class
第二类：
1. * Match 0 or more times
2. + Match 1 or more times
3. ? Match 1 or 0 times
4. {n} Match exactly n times
5. {n,} Match at least n times
6. {n,m} Match at least n but not more than m times
第三类：
1. \w Match a "word" character (alphanumeric plus "_")
2. \W Match a non-"word" character
3. \s Match a whitespace character
4. \S Match a non-whitespace character
5. \d Match a digit character
6. \D Match a non-digit character
数据量较大时，正则表达式检索效率会很低。一般通过索引技术，先将检索范围缩小，然后再使用正则表达式，这也是SC1.0的思想。对于大型语料库，如纯文本达到100M以上，使用正则表示查询是不现实的，效率会非常低。一般我们会使用搜索引擎技术，通过索引实现，lucene和sphinx都是不错的选择，可以轻松完成对GB级数据的检索。
：