1.求一去乱码、正则则表汉字的表达正则表达式
2.从数据自动生成正则表达式(附源码）

求一去乱码、汉字的式源正则表达式

       \p{ ASCII}

       正则表达式的构造摘要

       构造 匹配

       字符

       x 字符 x

       \\ 反斜线字符

       \0n 带有八进制值 0 的字符 n (0 <= n <= 7)

       \0nn 带有八进制值 0 的字符 nn (0 <= n <= 7)

       \0mnn 带有八进制值 0 的字符 mnn（0 <= m <= 3、0 <= n <= 7）

       \xhh 带有十六进制值 0x 的码正字符 hh

       \uhhhh 带有十六进制值 0x 的字符 hhhh

       \t 制表符 ('\u')

       \n 新行（换行）符 ('\uA')

       \r 回车符 ('\uD')

       \f 换页符 ('\uC')

       \a 报警 (bell) 符 ('\u')

       \e 转义符 ('\uB')

       \cx 对应于 x 的控制符

       字符类

       [abc] a、b 或 c（简单类）

       [^abc] 任何字符，达式除了 a、源码装饰微信源码b 或 c（否定）

       [a-zA-Z] a 到 z 或 A 到 Z，正则则表两头的表达字母包括在内（范围）

       [a-d[m-p]] a 到 d 或 m 到 p：[a-dm-p]（并集）

       [a-z&&[def]] d、e 或 f（交集）

       [a-z&&[^bc]] a 到 z，式源除了 b 和 c：[ad-z]（减去）

       [a-z&&[^m-p]] a 到 z，码正而非 m 到 p：[a-lq-z]（减去）

       预定义字符类

       . 任何字符（与行结束符可能匹配也可能不匹配）

       \d 数字：[0-9]

       \D 非数字： [^0-9]

       \s 空白字符：[ \t\n\x0B\f\r]

       \S 非空白字符：[^\s]

       \w 单词字符：[a-zA-Z_0-9]

       \W 非单词字符：[^\w]

       POSIX 字符类（仅 US-ASCII）

       \p{ Lower} 小写字母字符：[a-z]

       \p{ Upper} 大写字母字符：[A-Z]

       \p{ ASCII} 所有 ASCII：[\x-\x7F]

       \p{ Alpha} 字母字符：[\p{ Lower}\p{ Upper}]

       \p{ Digit} 十进制数字：[0-9]

       \p{ Alnum} 字母数字字符：[\p{ Alpha}\p{ Digit}]

       \p{ Punct} 标点符号：!"#$%&'()*+,达式-./:;<=>?@[\]^_`{ |}~

       \p{ Graph} 可见字符：[\p{ Alnum}\p{ Punct}]

       \p{ Print} 可打印字符：[\p{ Graph}\x]

       \p{ Blank} 空格或制表符：[ \t]

       \p{ Cntrl} 控制字符：[\x-\x1F\x7F]

       \p{ XDigit} 十六进制数字：[0-9a-fA-F]

       \p{ Space} 空白字符：[ \t\n\x0B\f\r]

       java.lang.Character 类（简单的 java 字符类型）

       \p{ javaLowerCase} 等效于 java.lang.Character.isLowerCase()

       \p{ javaUpperCase} 等效于 java.lang.Character.isUpperCase()

       \p{ javaWhitespace} 等效于 java.lang.Character.isWhitespace()

       \p{ javaMirrored} 等效于 java.lang.Character.isMirrored()

       Unicode 块和类别的类

       \p{ InGreek} Greek 块（简单块）中的字符

       \p{ Lu} 大写字母（简单类别）

       \p{ Sc} 货币符号

       \P{ InGreek} 所有字符，Greek 块中的源码除外（否定）

       [\p{ L}&&[^\p{ Lu}]] 所有字母，大写字母除外（减去）

       边界匹配器

       ^ 行的正则则表开头

       $ 行的结尾

       \b 单词边界

       \B 非单词边界

       \A 输入的开头

       \G 上一个匹配的结尾

       \Z 输入的结尾，仅用于最后的表达结束符（如果有的话）

       \z 输入的结尾

       Greedy 数量词

       X? X，一次或一次也没有

       X* X，式源零次或多次

       X+ X，一次或多次

       X{ n} X，恰好 n 次

       X{ n,} X，至少 n 次

       X{ n,m} X，至少 n 次，聚星修复源码但是不超过 m 次

       Reluctant 数量词

       X X，一次或一次也没有

       X*? X，零次或多次

       X+? X，一次或多次

       X{ n}? X，恰好 n 次

       X{ n,}? X，至少 n 次

       X{ n,m}? X，至少 n 次，但是不超过 m 次

       Possessive 数量词

       X?+ X，一次或一次也没有

       X*+ X，零次或多次

       X++ X，一次或多次

       X{ n}+ X，恰好 n 次

       X{ n,}+ X，至少 n 次

       X{ n,m}+ X，至少 n 次，但是不超过 m 次

       Logical 运算符

       XY X 后跟 Y

       X|Y X 或 Y

       (X) X，作为捕获组

       Back 引用

       \n 任何匹配的 nth 捕获组

       引用

       \ Nothing，但是引用以下字符

       \Q Nothing，但是引用所有字符，直到 \E

       \E Nothing，Xbox源码泄漏但是结束从 \Q 开始的引用

       特殊构造（非捕获）

       (?:X) X，作为非捕获组

       (?idmsux-idmsux) Nothing，但是将匹配标志由 on 转为 off

       (?idmsux-idmsux:X) X，作为带有给定标志 on - off 的非捕获组

       (?=X) X，通过零宽度的正 lookahead

       (?!X) X，通过零宽度的负 lookahead

       (?<=X) X，通过零宽度的正 lookbehind

       (?<!X) X，通过零宽度的负 lookbehind

       (?>X) X，作为独立的非捕获组

       --------------------------------------------------------------------------------

       反斜线、转义和引用

       反斜线字符 ('\') 用于引用转义构造，如上表所定义的，同时还用于引用其他将被解释为非转义构造的字符。因此，表达式 \\ 与单个反斜线匹配，而 \{ 与左括号匹配。

       在不表示转义构造的任何字母字符前使用反斜线都是错误的；它们是为将来扩展正则表达式语言保留的。可以在非字母字符前使用反斜线，不管该字符是否非转义构造的一部分。

       根据 Java Language Specification 的pip安装源码要求，Java 源代码的字符串中的反斜线被解释为 Unicode 转义或其他字符转义。因此必须在字符串字面值中使用两个反斜线，表示正则表达式受到保护，不被 Java 字节码编译器解释。例如，当解释为正则表达式时，字符串字面值 "\b" 与单个退格字符匹配，而 "\\b" 与单词边界匹配。字符串字面值 "\(hello\)" 是非法的，将导致编译时错误；要与字符串 (hello) 匹配，必须使用字符串字面值 "\\(hello\\)"。

       字符类

       字符类可以出现在其他字符类中，并且可以包含并集运算符（隐式）和交集运算符 (&&)。并集运算符表示至少包含其某个操作数类中所有字符的类。交集运算符表示包含同时位于其两个操作数类中所有字符的类。

       字符类运算符的优先级如下所示，按从最高到最低的顺序排列：

       1 字面值转义 \x

       2 分组 [...]

       3 范围 a-z

       4 并集 [a-e][i-u]

       5 交集 [a-z&&[aeiou]]

       注意，元字符的不同集合实际上位于字符类的内部，而非字符类的伪装定位源码外部。例如，正则表达式 . 在字符类内部就失去了其特殊意义，而表达式 - 变成了形成元字符的范围。

       行结束符

       行结束符 是一个或两个字符的序列，标记输入字符序列的行结尾。以下代码被识别为行结束符：

       新行（换行）符 ('\n')、

       后面紧跟新行符的回车符 ("\r\n")、

       单独的回车符 ('\r')、

       下一行字符 ('\u')、

       行分隔符 ('\u') 或

       段落分隔符 ('\u)。

       如果激活 UNIX_LINES 模式，则新行符是惟一识别的行结束符。

       如果未指定 DOTALL 标志，则正则表达式 . 可以与任何字符（行结束符除外）匹配。

       默认情况下，正则表达式 ^ 和 $ 忽略行结束符，仅分别与整个输入序列的开头和结尾匹配。如果激活 MULTILINE 模式，则 ^ 在输入的开头和行结束符之后（输入的结尾）才发生匹配。处于 MULTILINE 模式中时，$ 仅在行结束符之前或输入序列的结尾处匹配。

       组和捕获

       捕获组可以通过从左到右计算其开括号来编号。例如，在表达式 ((A)(B(C))) 中，存在四个这样的组：

       1 ((A)(B(C)))

       2 \A

       3 (B(C))

       4 (C)

       组零始终代表整个表达式。

       之所以这样命名捕获组是因为在匹配中，保存了与这些组匹配的输入序列的每个子序列。捕获的子序列稍后可以通过 Back 引用在表达式中使用，也可以在匹配操作完成后从匹配器检索。

       与组关联的捕获输入始终是与组最近匹配的子序列。如果由于量化的缘故再次计算了组，则在第二次计算失败时将保留其以前捕获的值（如果有的话）例如，将字符串 "aba" 与表达式 (a(b)?)+ 相匹配，会将第二组设置为 "b"。在每个匹配的开头，所有捕获的输入都会被丢弃。

       以 (?) 开头的组是纯的非捕获 组，它不捕获文本，也不针对组合计进行计数。

从数据自动生成正则表达式(附源码）

       正则表达式，作为字符串匹配和处理的强大工具，几乎在所有编程语言中都有支持。其主要用途包括：匹配和查找、替换、数据验证等。对于有经验的开发者，从数据中提炼合适的正则表达式并非难事。然而，有没有可能让计算机自动生成这样的表达式呢？特别是当数据可能存在质量问题，包含错误或脏数据时，这一问题显得尤为重要。

       在面对如下的药物批准文号数据时，很容易写出正则表达式：国药准字[BHZ]\d{ 8} 或 国药准字[A-Z]\d{ 8}。但自动生成这样的表达式是否可行呢？答案是肯定的。

       在处理数据时，计算机必须考虑到脏数据的可能，比如数据不完整或格式错误。例如：“J 国药准字”或“国药准字”。这些问题需要在数据处理过程中进行识别和处理。

       正则表达式的结构包括内容匹配符、数量限定符、位置限定符和逻辑或等元素，其中最底层的是原始字符，它们只能匹配自身。字符集合和元字符则涵盖了更广泛的字符集，如 \w、\d、\s 等，它们之间存在一定的包含关系。

       字典树（Trie树）是一种用于统计、排序和保存大量字符串的高效数据结构，特别适用于文本词频统计。通过将数据插入字典树，可以生成正则表达式。首先，将所有数据分支组合为正则表达式的逻辑或形式，然后，根据子节点的数量和表达能力的层级，对字典树进行升级和合并，以提升正则表达式的泛化能力。

       在升级合并操作中，如果节点的子节点数量超过阈值（例如3个），则提升节点的层级。如果节点的多个子节点值相同，进行合并，以简化表达式。同时，根据数据进入和终止的统计情况，对字典树进行剪枝操作，去除数据量少于平均值%的分支，以去除脏数据。

       在生成正则表达式的过程中，还应考虑深度合并机制，如将重复的字符或元字符合并到其父节点，以简化表达式。此外，可以构建两棵字典树，一棵正序，另一棵逆序，以保留公共子串的特征，提高表达式的准确性。

       整体算法流程包括升级、合并、剪枝和深度合并操作，直到字典树不再改变或节点升级到预设的最大层级。通过测试示例，可以验证生成的正则表达式的正确性和效率。

       为了实现这一自动化过程，可以使用如 GitHub 上提供的完整代码库（github.com/mxnaxvex/Reg...）作为参考和实现依据。