Sigil正则表达式入门.doc

Sigil正则表达式入门正则表达式，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：序章第一章 ABCDEF第二章 GHIJKL第三章 终章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。第一章第二章第三章可以看到，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。第.章很早之前，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。aaanbbb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09中的任意一个。D任意一个非阿拉伯数字09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。abcabcabc$行尾表示任意一行的结尾，不包括换行符。在Sigil中不能单独使用。比如，“c$”表示位于行尾的“c”,能够匹配到第一行和第二行的字母“c”。abcabcabcd+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。aaaaaa?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。|或一个逻辑选择符。“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，“a3”表示“aaa”，“a2,4”表示“aa”或“aaa”或“aaaa”，“a1,”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“a0,2”。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，“”和“”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，“”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“abc”，能匹配到第二行，第三行。abcadcafc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，$1等表示方法。(?s)多行匹配放在表达式的最前端，使得“.”可以匹配到“n”，从而实现跨行匹配。比如以下例子：使用正则表达式“.*”一次只能匹配到第一行或者第三行。而使用“(?s).*”则能一次性匹配到第一行到第三行所有内容。注：这是Sigil特有元字符，其他平台有另外的方法实现该功能。注2：此前缀和勾选“DotAll”效果一致。(?U)最少匹配放在表达式的最前端，使得整个正则表达式实现最少匹配。比如以下例子：AAABBBCCC正则表达式“.*”会匹配到整个句子。而“(?U).*”只会匹配到“AAABBB”。注：这是Sigil特有元字符，其他平台有另外的方法实现该功能。注2：此前缀和勾选“Minimal Match”效果一致。2. 常用正则表达式在这一部分，我们回来看一些很常用的正则表达式，这些表达式往往是更复杂表达式的组成部分。2.1 所有字符.*匹配所有内容。“.”代表一个字符，“*”代表任意多个，因此“.*”代表“所有字符”。比如.*表示标签内的所有内容，可以依次匹配到下列各项AAACCCC！AAAAACCCC啊啊啊啊但不能跨行，这样是匹配不到的。AAAAAA如果要跨行，需要使用“(?s)”。2.2 空白行 t *$n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t+$匹配出现在行尾的空白字符，比如空格。思路和2.2一致，使用“$”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。+替换。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，并且class为images原语句目标语句使用元字符. ，* ，0查找替换0解说：查找以“”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“”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：/rcom10002/acle/details/31593593.3 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，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终章后记目标文本序章第一章 XXXX第二章 CCCC第三章 AAAA终章后记使用元字符. ，* ，()，1，|，m,n查找(序章|第.1,3章|终章|后记).*)替换1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 自动插入内容原文本XXXX目标文