STATA 正则表达式应用

​​1、匹配函数：regexm()和ustrregexm()

（1）regexm(s,re)函数

第一个参数s表示字符串，第二个参数re代表正则表达式，如果正则表达式匹配到字符串s中的某个子字符串，则函数regexm(s,re)的返回值为1，否则为0。但是值得注意的是，由于regexm()是早期版本的正则表达式函数，所以不能识别元字符。

（2）ustrregexm(s,re,[,noc])函数

若正则表达式re能与字符串s中的某个子字符串匹配，则返回值为1，否则为0。在默认情况下，匹配是区分大小写的，但是如果定义noc为一个非零数值，则匹配时不区分大小写。

2、不用正则表达式匹配：strmatch(s1,s2)和strpos(s1,s2)

（1）strmatch(s1,s2)函数

如果字符串s2能够完全匹配字符串s1，则返回值为1，否则为0。在字符串s2中，可以使用通配符？匹配任意一个字符，用通配符*匹配零个或任意多个字符。但要注意的是字符串s2与整个字符串s1匹配时，返回值才是1。而ustrregexm(s,re,[,noc])只要正则表达式re能匹配到字符串s中任意一个子字符串，返回值即为1。

（2）strpos(s1,s2)或index(s1,s2)函数

strpos(s1,s2)和index(s1,s2)其实是同一个函数，如果字符串s2是s1的子字符串，则strpos()返回值是s2首字符在s1中的位置。

3、提取函数：regexs()和ustrregexs()

匹配函数和提取函数一般需要配合使用，先匹配后提取。习惯地将regexm()与regexs()、ustrregexm()与ustrregexs()分别配合使用。

（1）regexs(n)函数

参数n为非负整数，表示提取regexm(s,re)函数匹配到地第n个子字符串。若n为0，则表示把整个正则表达式匹配到地内容全部提取出来。

（2）ustrregexs(n)函数

类似于regexs(n)函数，该函数提取出地字符串为ustrregexm(s,re,[,noc])函数中第n个子字符串匹配到的子字符串。若n=0，则提取整个正则表达式匹配到的内容。

4、替换函数：regexr()、ustrregexrf()和ustrregexra()

subinstr(s1,s2,s3,n)可以实现替换功能，表示将字符串s1中的前n个子字符串s2替换成字符串s3，如果n定义为.则表示将s1中出现的所有s2都替换成s3。但是该函数不能结合正则表达式使用。

（1）regexr(s1,re,s2)函数

将正则表达式re在字符串s1中匹配到的子字符串替换为字符串s2。但是该函数不能识别元字符。

（2）ustrregexrf(s1,re,s2,[,noc])和ustrregexra(s1,re,s2,[,noc])

ustrregexrf(s1,re,s2[,noc])中的f表示first，即将正则表达式re在字符串s1中匹配到的第一个子字符串替换为s2。ustrregexra(s1,re,s2[,noc])中的a表示all，即将正则表达式re在字符串s1中匹配到的所有子字符串都替换为s2。若向noc传递一个非零数字，表示在匹配时不再区分大小写。

正则表达式    含义
[\u4e00-\u9fa5]    匹配中文字符
[^\x00-\xff]    匹配双字节字符(包括汉字在内)
\n\s*\r    匹配空白行
<(\S*?)[^>]*>.*?</\1>|<.*? />    匹配HTML标记
^\s*|\s*$    匹配首尾空白字符
\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*    匹配Email地址
[a-zA-z]+://[^\s]*    匹配网址URL
^[a-zA-Z][a-zA-Z0-9_]{4,15}$    匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)
\d{3}-\d{8}|\d{4}-\d{7}    匹配国内电话号码
[1-9][0-9]{4,}    匹配腾讯QQ号(腾讯QQ号从10000开始)
[1-9]\d{5}(?!\d)    匹配中国邮政编码(中国邮政编码为6位数字)
\d{15}|\d{18}    匹配身份证(中国的身份证为15位或18位)
\d+\.\d+\.\d+\.\d+    匹配ip地址