原文链接Sigil正则表达式入门
以前经常在txt文档,特别是下载的小说中看到很多> <。突然发现原来是html中的转义字符惹的祸
HTML转义字符对照表
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。
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
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。
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。
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。(后来我自己又加入了部分Sublime Text的可用正则表达式写法)
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。比如,“\.”就是代表普通的点号,不代表其他字符 |
\s | 空白字符 | 表示半角空格、制表符、换行符等空白字符的其中一个。在Sigil中使用注意,不能匹配到全角空格(在Sublime Text好像可以匹配到全角空格) |
\S | 非空白字符 | 匹配除了半角空格、制表符、换行符等空白字符以外的一个字符 |
\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。 例如: 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 | 回车符 | 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”。 |
\b | 匹配字词边界 | |
\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以外的一个字符,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。 abc |
$ | 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: |
| | 或 | 一个逻辑选择符。“aa|bb”既可以匹配到“aa”也可以匹配到“bb”。其他,“gr([a-z]|[A-Z])y”可以匹配到“grdy”或 “grTy”。还可以用到多个选项中,比如“aa|bb|cc”。“1|2|3”相当于“[123]”。 |
+ | 匹配前一项内容 1 或多次 | 必须配用其他字符使用。添加在一个字符后面,表示匹配1个或更多个该字符。 相当于“{1,}”。 比如,“sa+”表示一个以上的“a”,以下例子都能匹配到。 sa saa saaa |
+? | 匹配前一项内容 0 或多次 (最少匹配) | 必须配用其他字符使用。添加在一个字符后面,表示匹配1个或更多个该字符(最少匹配)。 ssrTgfkjkdhurst "s.+?r"可以匹配到"ssr",而"s.+r"可以匹配到"ssrTgfkjkdhur" (在Sublime Text测试可用) |
? | 匹配前一项内容 0 或 1 次 | 必须配用其他字符使用。添加在一个字符后面,表示匹配该字符0或1次。 比如: srtjkls "sr?"可以匹配到"srtjkls"中的"sr"以及行尾的"s",相当于"sr|s"。 (在Sublime Text测试可用) |
* | 匹配前一项内容 0 或多次,即无或更多。 | 必须配用其他字符使用。添加在一个字符后面,表示匹配0个或多个该字符。相当于“{0,}”。 比如,“sa*”表示0个以上的“a”,以下例子都能匹配到。 s |
*? | 匹配前一项内容 0 或多次 (最少匹配) | 必须配用其他字符使用。添加在一个字符后面,表示匹配0个或多个该字符(最少匹配)。 比如: ssrTgfkjkdhurst "s.*?r"可以匹配到"ssr",而"s.*r"可以匹配到"ssrTgfkjkdhur" "*?"与"+?"的区别,暂时没想到例子,一般都使用"+?" (在Sublime Text测试可用) |
{n,m} | 匹配前一项内容的个数范围 | 必须配用其他字符使用。添加在一个字符后面,表示匹配该字符的个数范围。 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”。 |
[] | 匹配其中的一个字符 | 注意:“[]”只匹配一个字符。“[]”是不分顺序的,“[abc]”和“[bca]”一样。 比如,“[abc]”匹配“a”、“b”或“c”中的一个。 如果大小写敏感,使用"[a-zA-Z]"能匹配到“a”到“z”和“A”到“Z”全部26个字母之一。 |
[^] | 匹配除了[^]内字符以外的一个其他字符 | 注意:“[^]”只匹配一个字符。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。 比如: “a[^b]c”能匹配到第二行,不能匹配第一行、第三行。"[^abc]" 表示匹配任意不包括 a, b, c的一个字符。
|
() | 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"()"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,\0,\1,\2…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,$1等表示反向引用。 |
(?s) | 多行匹配 | 放在表达式的最前端,使得“.”可以匹配到“\n”,从而实现跨行匹配。 比如以下例子: <div></div> <h1></h1> <div>sdree</div> 使用正则表达式“<div>.*</div>”一次只能匹配到第一行或者第三行。 而使用“(?s)<div>.*</div>”则能一次性匹配到第一行到第三行所有内容。 注:这是Sigil特有元字符,其他平台有另外的方法实现该功能。 注2:此前缀和勾选“DotAll”效果一致。 |
(?U) | 最少匹配 | 放在表达式的最前端,使得整个正则表达式实现最少匹配。 比如以下例子: <div>AAA<div>BBB</div>CCC</div> 正则表达式“<div>.*</div>”会匹配到整个句子。 而“(?U)<div>.*</div>”只会匹配到“<div>AAA<div>BBB</div>”。 注:这是Sigil特有元字符,其他平台有另外的方法实现该功能。 注2:此前缀和勾选“Minimal Match”效果一致。 |
常用正则表达式 | ||
.* | 匹配所有内容(注意:“.”不能匹配到“\n”) | “.”代表一个字符,“*”代表前一个字符0或多个,因此“.*”代表“所有字符”。 但不能跨行,这样是匹配不到的下面的例子的: |
^[ \t ]*$\n | 匹配空白行 | 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。[]中包括的分别是半角空格“ ”,制表符“\t”和全角空格“ ”。也可以根据需要添加更多的字符。 |
[ \t ]+$ | 行尾空白字符 | 匹配出现在行尾的空白字符,比如空格。思路和【匹配空白行】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。 |
查找"。+" 替换"。" | 压缩重复符号 | 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。配合查找【空白行】,也能实现压缩空白行。 |
[A-Za-z] | 匹配任意一个英文字母 | 也可以写成[a-zA-Z],a-z和A-Z顺序无关;[a-zA-Z0-9]则表示:匹配英文和数字当中的任意一个字符 [a-z]表示:匹配从 a 到 z 之间的任意一个字符 |
[^A-Za-z] | 匹配任意一个非英文字母的字符 | [^A-Za-z0-9]则表示:匹配任意一个非英文字母和数字的字符 |
[\u4E00-\u9FA5] | 匹配任意一个汉字 | 注意:[\u4e00-\u9fa5]这种匹配汉字写法不算全面,不包含一些生僻汉字。详情参照https://blog.csdn.net/weixin_30780649/article/details/98327208 例外:在SublimeText的正则表达式使用中,[\u4E00-\u9FA5]可以匹配到英文字母、数字以及部分英文标点符号,需要写成[\x{4e00}-\x{9fa5}],才能只匹配到汉字 |
[\x{ff41}-\x{ff5a}\x{ff21}-\x{ff3a}] | 匹配任意一个全角英文字母 | 如果要匹配全角英文字母和全角数字,写成[\x{ff41}-\x{ff5a}\x{ff21}-\x{ff3a}0-9] 详情unicode编码参照https://blog.csdn.net/mx472756841/article/details/53379762 (在Sublime Text测试可用) |
当然,后面还有部分内容没有转载,可以在原文查看http://www.360doc.com/content/14/1205/19/9152906_430669102.shtml