Parsing 字符和文本处理资源（编码、正则表达式、NLP）

我想学习编码、字符和文本的基础知识。理解这些对于处理大量文本非常重要，无论是日志文件还是用于构建集体智能算法的文本源。我目前的知识相当基础：比如“只要我使用UTF-8，我就没事。”

我不是说我需要马上学习高级主题。但我需要知道：

• 位和字节级编码知识
• 英语中未使用的字符和字母
• 多字节编码。（我懂一些中文和日语。解析它们很重要。）
• 正则表达式
• 文本处理算法
• 解析自然语言

我还需要了解数学和语料库语言学。当前和未来的web（语义、智能、实时web）需要处理、解析和分析大型文本

---

我正在寻找一些资源（可能是书？），让我开始一些子弹（我在这里找到了许多关于堆栈溢出的正则表达式的有用讨论。因此，您不需要建议有关该主题的资源。）

与大多数一般的“我想了解X主题”问题一样，维基百科是一个很好的起点：

• 除了维基百科，Joel Spolsky的编码也非常好
• 对于所有unicode字符来说，这是一个很好的免费资源
• 这个正则表达式可以有所帮助
• 特别是在NLP和日语上，您可以 看看这个 项目
• 在文本处理上，打开 源项目可能很有用