Regular Expressions für die Korpuslingustik

Grundlagen

Hund

Hund.*
findet: Hund, Hunde, Hundes, Hundeschnauze, Hundeball etc.

H.nd
findet: Hund, Hand, Hind, Hond, Hend

Hund.+
findet: Hunde, Hundes, Hundeschnauze etc., aber nicht Hund

Hund.?
findet: Hund, Hunde, aber nicht Hundeschnauze, Hundes etc.

Oder ein etwas komplizierteres Beispiel:

http:\/\/(www\.)?.+?\.com

Dieses Suchmuster findet Internetadressen der Art http://www.irgendwas.com. Das "www" muss nicht stehen, kann aber. Und wir suchen nur nach Endungen mit .com. Folgende Besonderheiten sind ersichtlich:

• Gewisse Zeichen, die innerhalb der Syntax der regulären Ausdrücke auch eine andere Bedeutung haben, müssen "maskiert" werden. Man setzt einen Rückwärts-Schrägstrich davor (\). Das gilt z.B. für den Punkt, der ja, wie oben beschrieben, für ein beliebiges Zeichen steht. Wenn wir nun in unserem Suchmuster aber wirklich einen Punkt meinen, müssen wir das mit "\." umschreiben. Gleiches gilt für den Schrägstrich.
• Mit Klammerungen kann man Gruppen bilden. Das "www", gefolgt von einem Punkt, ist zu einer Gruppe zusammengefasst. Nach der ganzen Gruppe steht ein Fragezeichen; das bedeutet also, dass diese Gruppe 0 oder einmal vorkommt.

Spezielle Zeichen

[a-zA-Z]

Renntier[es]

\d\d\d\d

\d+

Suchen und ersetzen

\d\d\d\d-\d+-\d+

Damit finde ich zuverlässig diese Datumsangaben, egal ob die Zahlen für Monat und Tag ein- oder zweistellig sind. Jetzt muss ich ja aber das Gefundene umformen. Dazu setze ich erstmal Klammern um das Suchmuster, denn alles was in Klammern steht, wird im Speicher behalten:

(\d\d\d\d)-(\d+)-(\d+)

Mich interessieren nur die Zahlen, die Bindestriche dazwischen können wir gleich wieder vergessen. Der Clou ist jetzt, dass ich als Ersetzung mit \1, \2, \3 etc. auf den Inhalt der Klammern zurückgreifen kann. \1 ist der Inhalt der ersten, \2 der zweiten Klammer etc. Als Ersetzungsmuster schreibe ich also:

\3\. \2\. \1

Damit wird das Datum jeweils umformatiert. Beachte: Der Punkt wird hier wieder mit einem umgekehrten Schrägstrich maskiert, damit klar ist, dass es sich beim Punkt nicht um den Punkt handelt, der für ein beliebiges Zeichen steht, sondern tatsächlich um einen Punkt.

Mit dieser Methode kann man ganz schnell einen Text, der irgendwie falsch formatiert ist, umformatieren. Z.B. wenn ich eine Wortliste haben, wo immer hinter dem Wort eine Zahl steht, z.B. die Frequenz, mit der das Wort auftaucht, und ich aus irgendwelchen Gründen die Zahl aber vor dem Wort stehen haben möchte, dann kann ich das mit einer solchen Suchen-und-Ersetzen-Aktion schnell erledigen.

Nützliche Muster für die Korpuslinguistik

Wortlisten erstellen

Suche nach:     \s+
Ersetzen durch: \r

Dann trennen wir alle Arten von Interpunktion durch Zeilenschaltungen. Gewisse Versionen von regulären Ausdrücken verstehen das Suchmuster [:punct:] um alle Interpunktionszeichen zu finden. Jene, die in BBEdit implementiert ist, leider nicht. Dann muss man halt eine Klasse von Interpunktionszeichen erstellen (und dabei das Maskieren der wörtlich zu verstehenden Zeichen nicht vergessen!):

Suche nach:     ([\.,:;!\?"'\(\)\[\]\-/])
Ersetzen durch: \r\1\r

Zu beachten: Die Klasse ist definiert durch die eckigen Klammern, zusätzlich werden normale Klammern verwendet, mit denen der tatsächlich gefundene Inhalt gemerkt wird, damit mit \1 beim Ersetzen wieder darauf zurückgegriffen werden kann.

Jetzt ist es noch so, dass teilweise zwei Zeilenschaltungen hintereinander vorkommen (nach Interpunktionszeichen). Diese können wir so eliminieren:

Suche nach:     \r+
Ersetzen durch: \r

Fertig ist die Wortliste!