分享

Sigil正则表达式入门

 昔影若梦 2014-12-05
本帖最后由 zecy 于 2013-2-14 20:22 编辑

Sigil是一个不错的epub制作软件,适合入门用户。Sigil最值得称道的地方就是,允许我们使用正则表达式,大大方便了我们处理文本的过程。

正则表达式,是一种用特殊符号表示文字的方法,主要用在查找和替换方面。

下面的例子可以让你知道正则表达式是干什么用的。

在一个文本中,有这样的一些内容:
  1. 序章
  2. 第一章 ABCDEF
  3. 第二章 GHIJKL
  4. 第三章 …………
  5. 终章
复制代码
这种内容我们都很熟悉,你有没有想过,用什么办法可以把这些内容一次过查找出来呢?

为了简化,我们先来看这个部分。
  1. 第一章
  2. 第二章
  3. 第三章
复制代码
可以看到,这些内容有着极高的相似性,由“第”,“章”开头和结尾,中间有着一些数字。如果我们能用一个什么符号来代表中间的所有字,比如一个圆点“.”,不就可以用这样的方式来查找出所有这样的内容了吗。
  1. 第.章
复制代码
很早之前,就有人发明了一套完整的方案,让我们可以用各种不同的符号来达到这种目的,那就是我们将要了解的正则表达式。

正则表达式作为一种描述字符的方案,在大量软件、编程语言中都有所运用,而在这些不同的平台上,正则表达式的使用方式又往往会有或多或少的差异,在某个平台上管用的表达式,换个地方可能就要改改才能正确运行。那么在这篇文章里,我们主要是讲Sigil中的正则表达式,至于推广应用,就要靠大家去查找资料了。

1. 元字符

我们前面提到,正则表达式一个重要作用就是用特别的符号来代表一类字符,而这些符号就叫做“元字符”。这些元字符在大多数环境下都是通用的。

注意,元字符中所有符号都是半角符号,也就是通常说的英文符号。

以下是一些常见的元字符,实际上还有更多。这些元字符都经过测试,在Sigil下有效。

符号意义说明
.任意一个字符最简单的元字符,匹配任意字符,但不包括换行符“\n”。
\转义把元字符改变为普通字符,或者把某些普通字符转变为元字符。
比如,“\.”就是代表普通的点号,不代表其他字符。
\s空白字符半角空格、制表符等空白字符。在Sigil中还能匹配到换行符“\n”和空白行,使用要注意。
注意,不能匹配到全角空格。
\t制表符匹配制表符。
\n换行符表示文章的换行,这是一个不可见符号,在例子中,这个符号在“_”的位置。

aaa\n
bbb

你能够通过“\n”找到换行符,但不能够插入换行符。要在替换结果中换行,需要用“\r”。
\r回车代表一个回车符。这个符号不会在文本中出现,因此不能查找到。
但是如果你需要在查找结果中插入一个换行,那么就要用“\r”。
注意,插入后在文本中出现的仍然会是“\n”而不是“\r”。
\d任意一个阿拉伯数字也就是可以代表0~9中的任意一个。
\D任意一个非阿拉伯数字
0~9以外的字符,同样的,不包括换行符“\n”
^行首即一行的开头。Sigil中不能单独使用,要配合其他字符。
比如,“^a”表示在行首的“a”,能匹配到第一行和第三行的字母“a”。第二行因为行首是空格,因此匹配不到。
abc
abc
abcd
$行尾表示任意一行的结尾,不包括换行符。在Sigil中不能单独使用。
比如,“c$”表示位于行尾的“c”,能够匹配到第一行和第二行的字母“c”。
abc
abc
abcd
+一或更多表示一个或更多。必须配用其他字符使用。添加在一个字符后面,表示一个或更多个该字符。
相当于“{1,}”
比如,“a+”表示一个以上的“a”,以下例子都能匹配到。
a
aa
aaa
尽可能少表示尽可能少。必须配合其他字符使用。
比如,“accccbb”中“a.*b”匹配到“accccbb”,而“a.*?b”就能只匹配到“accccb”。
※注意:在某些平台的正则表达式中,这一功能很可能由“-”减号提供。
|一个逻辑选择符。
“aa|bb”既可以匹配到“aa”也可以匹配到“bb”。
可以用到多个选项中,比如“aa|bb|cc”。
“1|2|3”相当于“[123]”。
*尽可能多即无或更多。相当于“{0,}”
{n,m}个数范围表示匹配项的个数范围。
比如,“a{3}”表示“aaa”,“a{2,4}”表示“aa”或“aaa”或“aaaa”,“a{1,}”表示一个以上的“a”。
注意,“a{,2}”应该表示两个以下的“a”,但是这种写法在Sigil中无效,要写成“a{0,2}”。
[]包含“[]”本身匹配一个字符。
比如,“[abc]”匹配“a”、“b”或“c”。通常不分顺序,“[abc]”和“[bca]”一样。
“[]”中用“-”表示范围,“[a-z]”表能匹配到“a”到“z”全部26个字母之一。
比如,“[0-9]”和“\d”是一样的,但是“\d”速度更快。
如果要在“[]”中匹配“-”本身,把“-”写在最前面,或者把它转义“\-”。
比如“[-0-9]”,就能匹配所有阿拉伯数字和“-”。
[^]不包含“[]”的逆操作。
比如“a[^b]c”,能匹配到第二行,第三行。

abc
adc
afc

注意,因为“[]”中符号是无序的,因此如果要排除字符串,要用其他方法。
()捕获组“(abc)”表示把“abc”分为一组。分组后可以配合其他元字符使用。一个组称为一个捕获组。
比如,“(abc)+”就是一个或以上“abc”组合的意思。
捕获组中的内容会被记录并编号,可以通过“\0”“\1”这种形式来引用。
(?:)分组/非捕获组作用上与“()”类似,能把内容分为一组,但“(?:)”仅有分组功能,不记录匹配内容。也就是说,无法通过“\0”“\1”等方式引用。
此元字符虽然消耗的资源更少,速度更快,在简单应用中可能体验不到与“()”的区别。
\0,\1,\2...反向引用配合分组使用,引用一个分组。
比如,在查找时有分组“(abc)”,那么“\1”就代表“abc”。有分组“a(bc)(de)f”,那么“\0”代表“abcdef”,“\1”代表“bc”,“\2”代表“de”。如此类推。
嵌套也是一样的,比如“(abc(def))”,“\1”代表“abcdef”,“\2”代表“def”。
同样地,也能在查找时应用。
比如有字符串“abc111abc”,那么表达式“(abc).*\1”就能匹配到所有内容。
注:在其他平台中,可能使用的是$0,$1等表示方法。
(?s)多行匹配放在表达式的最前端,使得“.”可以匹配到“\n”,从而实现跨行匹配。
比如以下例子:

<div></div>
  <h1></h1>
<div></div>

使用正则表达式“<div>.*</div>”一次只能匹配到第一行或者第三行。
而使用“(?s)<div>.*</div>”则能一次性匹配到第一行到第三行所有内容。
注:这是Sigil特有元字符,其他平台有另外的方法实现该功能。
注2:此前缀和勾选“DotAll”效果一致。
(?U)最少匹配放在表达式的最前端,使得整个正则表达式实现最少匹配。
比如以下例子:

<div>AAA<div>BBB</div>CCC</div>

正则表达式“<div>.*</div>”会匹配到整个句子。
而“(?U)<div>.*</div>”只会匹配到“<div>AAA<div>BBB</div>”。
注:这是Sigil特有元字符,其他平台有另外的方法实现该功能。
注2:此前缀和勾选“Minimal Match”效果一致。


2. 常用正则表达式

在这一部分,我们回来看一些很常用的正则表达式,这些表达式往往是更复杂表达式的组成部分。

2.1 所有字符
  1. .*
复制代码
匹配所有内容。“.”代表一个字符,“*”代表任意多个,因此“.*”代表“所有字符”。比如
  1. <div>.*</div>
复制代码
表示<div>标签内的所有内容,可以依次匹配到下列各项
  1. <div>AAACCCC</div>
  2. <div></div>
  3. <div>!!!!AAAAACCCC啊啊啊啊</div>
复制代码
但不能跨行,这样是匹配不到的
  1. <div>
  2.   AAAAAA
  3. </div>
复制代码
如果要跨行,需要使用“(?s)”。

2.2 空白行
  1. ^[ \t  ]*$\n
复制代码
匹配空白行的典型写法。可以匹配无内容的行,只有空格的行,只有制表符的行或者空格和制表符混合排列的行。[]中包括的分别是空格“ ”,制表符“\t”和全角空格“ ”。也可以根据需要添加更多的字符。

2.3 行尾空白字符
  1. [ \t  ]+$
复制代码
匹配出现在行尾的空白字符,比如空格。思路和2.2一致,使用“$”把搜查范围限定在结尾,使用了符号“+”确保最少有一个空白字符,否则会查找失败。

2.4 压缩重复符号

查找
  1. 。+
复制代码
替换
复制代码
很容易理解,把一个以上的“。”,换成一个“。”,从而达到压缩重复符号的目的。可以灵活改变,压缩各种重复的字符。配合2.2的查找空白行,也能实现压缩空白行。

3. 应用实例

在这一部分,我们会看一些Sigil使用过程中实际会用到的例子,方便各位了解正则表达式的使用。

3.1 添加标签

你打算为所有的图片添加一个<div>,并且class为images

原语句<img src="Images/001.jpg" />
目标语句<div class="images"><img src="Images/001.jpg" /></div>
使用元字符. ,* ,\0
查找<img.*/>
替换<div class="images">\0</div>


解说:

查找以“<img”开头,“/>”结尾的所有句子,这个表达式默认分组为“0”,因此可以用“\0”来引用。
如果你的文本中图片语句必定是独立一行的,可以直接使用“<img”这样的简单句子。
同样的,也可以通过“/>”后面是否紧跟换行符“\n”来判断图片是否独立一行,从而实现不同位置图片的匹配。

扩展:

同样的,你可以用这个方法为各种内容很方便的添加标签,如果你常常用到这样的替换,不要忘记善用Sigil的搜索模板功能。

3.2 拼接断行

在一些文本中,会存在断行,我们要把这些断行重新拼接起来。

原文本床前
明月光,
疑是地上
霜。
举头望
明月,
低头思故乡。
目标文本床前明月光,
疑是地上霜。
举头望明月,
低头思故乡。
使用元字符[^],\n
查找([^,。])$\n
替换\1


解说

其实所谓的断行,就是在不该换行的地方进行了换行,那么只要分析出不该换行的特征就可以了。在这个例子中,换行只应该出现在“,”和“。”后面,因此我们查找前面没有“,”或者“。”的换行,并且将其删除就可以了。
因为使用的正则表达式会匹配到“\n”前面的一个字符,为了不把这个字符也删除,所以要用“()”把这个字符保护起来。

扩展

实际上我们还可以使用“零宽断言”来达到这个效果,写法是“(?<![,。]$)\n”,直接替换为空,零宽断言本身就保护了字符。
但是作为一个入门应用,我还是先介绍使用“[^]”的方法,关于零宽断言,有兴趣的朋友可以到这个网址了解:
http://blog.csdn.net/rcom10002/acle/details/3159359

3.3 识别章节标题

这是很常见的一个需求,我们往往要为章节标题添加<h1>,<h2>之类的标签。通过3.1我们已经了解到如何添加标签,因此这里着重讲解如何识别标题。

原文本序章
第一章 XXXX
第二章 CCCC
第三章 AAAA
终章
后记
目标文本<h1>序章</h1>
<h1>第一章 XXXX</h1>
<h1>第二章 CCCC</h1>
<h1>第三章 AAAA</h1>
<h1>终章</h1>
<h1>后记</h1>
使用元字符. ,* ,[],(),\1,^,|,{m,n}
查找^((序章|第.{1,3}章|终章|后记).*)
替换<h1>\1</h1>


解说

表达式开始的“^”查找内容必须是每一行的开头,这样才不会匹配到正文中的“第N章”之类的内容。当然,还是无法完全排除匹配到正文的可能性,因此要注意替换次数,如果次数和章节数目不符,就要留意了。
通过“|”的使用,我们可以在一个表达式中就匹配到所有的内容,要善用“|”。“第.{1,3}章”是一个保险,最多匹配到“第九十九章”这样的字符串,在实际使用中,往往只需要写“第.章”。如果是“第1章”这样的,就可以用“第\d章”来更精准的匹配。

3.5 自动插入<title></title>内容

原文本<title></title>
</head>
<body>
<h1>XXXX</h1>
目标文本<title>XXXX</title>
</head>
<body>
<h1>XXXX</h1>
使用元字符. ,* ,(),\1,\2,(?s),\n,\r
查找(?s)<title></title>\n(.*<h1>(.*)</h1>)
替换<title>\2</title>\r\1


解说

通说“()”的捕获群获取所需要的字符串,然后以逆向引用来达到插入内容的目的。
使用Sigil的前置符“(?s)”使得“.*”可以匹配到换行符“\n”,因此表达式可以匹配到“</head>...<h1>”之间的所有内容。
捕获组1保留<title>以外的所有内容,以便稍后恢复,捕获组2获取<h1>中的内容,插入到<title>中去。
这个操作在Sigil中比较有用,因为Sigil默认是不会填写<title>内容的。

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多