科研助力|AntConc的語料神技：模糊匹配

AntConc是免費而強大的語料檢索工具，在進行中英文的文章檢索的時候，往往需要進行模糊檢索。模糊檢索包括：（1）一個單詞的多種變化形式的檢索；（2）多個單詞的逐一檢索；（3）單詞的前綴或後綴檢索；（4）某種長度或某個長度範圍（長度就是字母數量）的單詞的檢索；（5）某種單片語合模式或句型的檢索。本教程就是以最簡潔最生動的方式讓您在模糊檢索的技能方面，插上「正則表達式（regular expression或簡稱regex）」的翅膀……

1. 「豎線」，也就是「|」，在正則表達式（模糊檢索）中的意思是「或者」，因此某個詞或某兩三個詞的屈折形式的檢索，可以用下面的表達法（首先勾上「regex」這個選項喲）：

2. 但是，如果你要檢索的單詞也往往成為其他單詞的一部分的話，上面的做法就會出現嚴重偏差，例如你想要檢索off，這個詞就容易出現在其他單詞的開始或中間位置：

3. 因此，必須指定在「off」的前後必須有一個空格，而空格在正則表達式中就是「\s」，也就是「反斜線與字母s」，這裡的字母s就是space（「空格」）這個英語單詞。

4. 英語單詞的主要形式是多個字母所組成，雖然也有一些單詞是字母與數字構成，或者是「純數字」構成。所以，絕大多數情況下，純粹字母構成的單詞是我們關注的對象。

5. 用正則表達式來表達一個字母，就是「[a-zA-Z]」，這裡的方括弧就是表示方括弧裡面的所有內容只是一個字元而已，a-z就是所有的小寫字母中的某一個，A-Z就是所有的大寫字母中的某一個，而[a-zA-Z]就表示「一個大寫或小寫字母」。那麼，英語單詞的開始和結束有什麼特徵呢？最主要的特徵就是前後都有一個空格，而空格的正則表達式就是「\s」，也就是反斜線後面有一個字母s。所以，要檢索「4個字母組成的單詞」就是下面的表達，即「\s[a-zA-Z]{4}\s」：

6. 要檢索「4個或5個或6個字母組成的單詞」就是下面的表達，即「\s[a-zA-Z]{4,6}\s」：

7. 要檢索「6個或更多字母組成的單詞」就是下面的表達：

8. 要檢索ful結尾的單詞，就是（表達式中的「+」表示至少1個的意思）：

9. 要檢索ful或less結尾的單詞，就是：

10. 要檢索「un」為前綴的單詞，就是：

11. 要檢索「the * of」這種結構，這裡的*表示某個單詞，就用「\sthe\s[a-zA-Z]+\sof\s」：

12. 要檢索「the * * * of」這種結構，這裡的3個*表示3個單詞，就用「\sthe\s([a-zA-Z]+\s){3}of\s」，這裡的圓括弧就表示把圓括弧裡面的內容重複多次，重複的次數在後面的{}裡面用數字進行指定：

13. 要檢索「ed結尾的動詞與ly結尾的副詞的搭配」，就用「\s[a-zA-Z]+ed\s[a-zA-Z]+ly\s」：

14. 上面的檢索辦法並不完美，其實以ed結尾的卻不是動詞的單詞也會有一些，而且以ly結尾的單詞也未必就是副詞。要真正做到「對某種詞性的某個詞的檢索」，就必須先對所有句子段落都進行POS taggging（詞類標註，也叫「詞類標註」），這樣的標註就會把每個詞的後面都添加一個下劃線或斜線或反斜線，然後再添加一個標籤，例如用JJ表示形容詞，VV表示動詞（前面是兩個字母V），這樣的標籤有多套，每套都是不同的高校或開發者指定的，例如，美國賓西法尼亞州立大學的那套就是這個清單：

15. 下面就是在語料庫中檢索love這個詞的動詞用法的正則表達式，從前後詞的標註你也就明白了「被標註了詞性的語料」是什麼樣子的：

16. love的名詞用法的檢索就是：

17. 如果介詞都被標註為「IN」這個標籤，那麼，想要找「介詞+名詞」這種結構，就：

18. 如果被標註詞與標籤之間的連接符號不是下劃線，而是斜線，就需要輸入「/IN [a-zA-Z]+/NN」：

19. 如果被標註詞與標籤之間的連接符號是反斜線，就需要輸入「\\IN [a-zA-Z]+\\NN」，注意，因為反斜線是特殊符號，所以需要用兩個反斜線代表一個反斜線喲：

20. 同理，如果標籤左右是方括弧包住的，就需要輸入「\[IN\] [a-zA-Z]+\[NN\]」，注意，這是因為左方括弧和右方括弧都是特殊符號，所以需要用在方括弧的左側添加一個反斜線喲：

21. 上面的內容雖然只是讓你掌握到了正則表達式的初級水平，但是，你已經清晰地明白了「豎線、斜線、反斜線、方括弧、花括弧、加號、下劃線」這7種符號的威力，尤其是你能進行多重組合的時候，就能構建出相當複雜也相當廣泛的語言結構與語言現象了，恭喜你

本文作者：李亮博士

感謝李老師的無私分享