《正则表达式和自定义替换》由会员分享，可在线阅读，更多相关《正则表达式和自定义替换（39页珍藏版）》请在金锄头文库上搜索。
1、1正则表达式和自定义替换目 录版权信息1. 概述2. 正则表达式的构成2.1特殊符号2.2通配符2.3字符集2.4子表达式2.5重复指示符3. 替换表达式4. 自定义替换表功能4.1 在查找替换中使用自定义替换表5. 应用举例（一）5.1 应用举例（二）5.2 应用举例（三）一 概述 从 4.5 版起，TextPro 在查找/替换中支持正则表达式。正则表达式是一种非常强大的搜索功能，通过与 TextPro 的其它功能相结合，可以方便地实现许多复杂的文本处理工作。 正则表达式原本是形式语言理论中的概念，与编译器的构造有密切的联系。但是作为一个应用软件的用户，我们没有必要去细究正则表达式的严格定义
2、和处理方法。本文将从实用的角度出发，阐述在2TextPro 中引入正则表达式的目的、正则表达式的命令格式，以及如何利用正则表达式完成一些实际的文本处理工作。 我们在处理文本时，经常会遇到一些具有某种特定格式，或者说满足某种规则的文本。比如，一个无符号的整数由一连串的数字构成，而一个 Email 地址的格式则是“用户名 主机名” ，其中用户名是一串字母或数字，主机名则是由若干个由“.”分隔的字母数字串。正则表达式就是用来指定这种规则的。如果某个字符串满足正则表达式指定的规则，则称该字符串为正则表达式的一个“匹配串” 。二 正则表达式的构成 为了方便理解，让我们先来看看大家比较熟悉的数学表达式，“
3、(x+3)*2+y”是一个典型的数学表达式。一个数学表达式由若干个“项”组成， “项”与“项”之间用加号或减号相连；这里“(x+3)*2”和“y”分别是两个项。每个项又由若干个“因子”组成，因子之间用乘号或除号相连；这里第一个项有两个因子“(x+3)”和“2” ，而第二个项只有一个因子“y” 。每个因子可以是一个简单的数，一个代数变量，也可以是放在括号里面的另一个表达式。对于最后一种情况，括号中的表达式称为“子表达式” ；这里“x+3 ”就是一个子表达式。 正则表达式的结构与数学表达式很相似。与数学表达式的“项”相对应，正则表达式由若干个“分支”构成， “分支”之间用符号“|”相连。从逻辑上讲
4、，分支之间是一种“或”的关系，一个字符串只要与正则表达式中的任何一个分支相匹配，这个字符串就与整个正则表达式相匹配。比如， “第三人称代词”可以用正则表达式表示为“他| 她| 它 |他们|她们 |它们” 。 与数学表达式的“因子”相对应，构成正则表达式“分支”的部件称为“原子” 。 “原子”与“原子”之间没有任何符号相连。从逻辑上讲，原子之间是串接的关系，一个字符串必须与各个原子依次相匹3配，才算与这个分支相匹配。比如在上面的例子中，分支“他们”由两个原子“他”和“们”组成。 正则表达式的本质是它的“原子”可以有多种不同的形式。前面的例子是最简单的情形，即每个原子由一个普通字符组成。除此以外，
5、“原子”还可以是特殊符号、通配符、字符集以及子表达式。2.1特殊符号可以作为特殊符号的原子有： 匹配行首。例如， “他”匹配出现在行首的“他”字。值得注意的是，这个符号仅仅表示“行首”这个位置，与它相匹配的字符串长度为 0；$ 匹配行末。与“”相似，它仅表示“行末”这个位置。例如， “。$”匹配出现在行末的句号； 匹配词尾。词尾是指紧接在字母数字或下划线之后的第一个非字母数字下划线，任一汉字之后也属于词尾。词尾的匹配长度也是 0； t TAB 字符；2.2通配符通配符是用一个符号(或几个符号组合) 来匹配某一类满足条件的字符。可以使用通配符来查找字符是正则表达式的一大特点。TextPro 支持
6、下列通配符( 注意大小写的区别)：以半角为主的部分： .(句点 ) 匹配任意半角或全角字符； a 匹配任意英文字母； a 匹配除字母外的任意半角或全角字符； 4d 匹配任意数字； d 匹配除数字外的任意半角或全角字符； h 匹配任意词首字符 (字母及下划线) ； h 匹配除字母及下划线以外的任意字符； l 匹配任意小写字母； l 匹配除小写字母外的任意半角或全角字符； o 匹配任意八进制数字 (0-7)； o 匹配除八进制数字外的任意字符； p 匹配任意半角标点符号(非空格、字母、数字的可打印 ASCII 字符)； p 匹配除半角标点以外的任意半角或全角字符； s 匹配任意空白字符（半角空格、
7、TAB） ； s 匹配任意非空白的半角或全角字符； u 匹配任意大写字母； u 匹配除大写字母外的任意半角或全角字符； w 匹配可成词的字符(字母、数字及下划线)； w 匹配成词字符 (字母、数字及下划线 )外的任意半角或全角字符； x 匹配任意十六进制数字 (0-9， a-f, A-F)； x 匹配除十六进制数字外的任意半角或全角字符；以全角为主的部分： f 匹配除 ASCII 字符外的任意全角字符； f 匹配任意 ASCII 字符； A 匹配任意全角 ASCII 字符； b 匹配收录在 BIG5 码集中的任意字符； b 匹配未收录在 BIG5 码集中的任意字符； c 匹配任意汉字( 不包括
8、符号)； c 匹配除汉字外的任意全角字符； 5D 匹配地支字符(子丑寅卯)； g 匹配收录在 GBK 码集中的任意字符； g 匹配未收录在 GBK 码集中的任意字符； G 匹配大写希腊字母 j 匹配日文片假名 J 匹配日文平假名 k 匹配小写希腊字母 m 匹配数学符号； n 匹配中文数字 (一二三四) ； N 匹配大写中文数字(壹贰叁肆)； P 匹配全角标点符号； r 匹配小写俄文字母； R 匹配大写俄文字母； S 匹配罗马数字，带点、括号或圆圈的序号( )； T 匹配天干字符(甲乙丙丁)； V 匹配竖排标点符号； y 匹配拼音字符； Y 匹配注音字符； Z 匹配制表字符；2.3 字符集字符集
9、是用一对方括号括起来的字符串，用以匹配字符集中的任何一个字符。比如“ 他她它 ”匹配单数任一第三人称代词“他” 、“她”或“它” 。如果方括号中的第一个字符是，则匹配除指定字符外的任何其它字符。例如“ 我+$ ”匹配没有“ 我”字的整行，也可称为“查找不匹配的行” 。6分析：表示行首，我表示除“我”以外的任何字符，+ 表示多个这种匹配字符，$表示一直到行末。在字符集中，还可以用-表示字符的范围，例如“a-z”匹配任何小写字母。注意尽量不要用“-”表示汉字的范围，因为汉字并没有公认的次序，TextPro 目前是依据汉字的 Unicode 编码来确定范围的。如果两个汉字的编码相差很大，将消耗大量的
10、内存，运算也将非常缓慢。为了避免这种现象，TextPro 中限制表示范围的起始与终止汉字必须位于 Unicode 编码的同一行（row） 。如果字符集要包括字符“” 、 “”、 “-”或“ ”，可以在这些字符前加“” 。例如“xyz”匹配, x,y或z。另外需要特别指出的是，前面所述的特殊字符及通配符，除了t和 e外，在字符集中均作为普通字符处理。 字符集的匹配速度比通配符慢，所以应该尽可能地使用通配符。例如要查找半角数字时，应该使用d ，而不要使用0-9 ，虽然后者也是正确的。2.4子表达式子表达式是指用一对括弧()括起来的另外一个正则表达式。使用子表达式有两种主要的目的。一是改变匹配的优先
11、级，例如“中|西文软件”匹配的是“中”或“西文软件” ，但是“(中|西) 文软件”匹配的是“中文软件”或“西文软件” 。 使用子表达式的另一个目的，是引用前面匹配到的内容。例如要查找形如“哈哈” 、 “嘻嘻”的叠字词，可以写“(c)1” 。这里“(c)”匹配任意汉字，而“1 ”则引用匹配到的内容。TextPro 允许在一个查找串包含最多 9 个子表达式，它们的匹配内容可以分别用“1 ”， “2”.“9”来加以引用。子表达式也可以嵌套另一个子表达式，子表达式左括号出现的序号为这个表达式的编号。7另外需要注意的是，只能引用已经匹配了的子表达式，象上面的例子不可以写成“1(c)” ，同理，也不应该引
12、用不同分支中的子表达式，因为一个正则表达式中只可能有一个分支被匹配。2.5重复指示符正则表达式的另外一个强大的功能是重复匹配的能力。前述的任何一种“原子”之后，都可以指定一个重复指示符。下面列出各种重复指示符：? 表示前一“原子”可有可无(重复 0 或 1 次)。例如 “我们? ”匹配 “我”或“ 我们” ； + 表示前一“原子”至少匹配一次。例如“d+”匹配任何一个无符号整数； * 表示前一“前子”重复匹配 0 或多次。例如“hw*”表示许多高级语言对“变量”的定义：以字母或下划线开头，后接任意多个字母数字或下划线； n 表示前一“原子”重复匹配 n 次。例如“c 啦3”匹配“哗啦啦啦”或“
13、呼啦啦啦”等； n,m 表示前一“原子”重复匹配 n 至 m 次，其中 nm，TextPro 将自动交换 m 与 n 的值； n, 至少重复匹配 n 次，相当于n,无穷大； ,m 至多重复匹配 m 次，相当于0,m ； 重复任意多次，相当于*。在前面所述的各种重复指示符中，如果重复的次数不定，TextPro将匹配尽可能长的目标串(但最多不超过 32767 次，这是 TextPro 内设定的上限) 。例如有一字符串“你好，我好，大家好” ，表达式“你.*好”将匹配整个字符串，而不是“你好”或“你好，我好” 。如果需要匹配尽可能短的目标串，可以采用前述的最后四种形式，并在“”之后加上“-” 号。上
14、例中的表达式如改为“你.-好” ，则匹配串为“你好” 。8-n,m 重复匹配 m 至 n 次，匹配次数尽可能少；-n, 至少重复匹配 n 次，匹配次数尽可能少；-,m 至多重复匹配 m 次，匹配次数尽可能少，相当于-0,m； - 重复任意多次，类似于 *，但匹配次数尽可能少。重复指示符只对紧邻在其前的“原子”起作用，例如“你好+ ”将匹配“你好” ， “你好好”。但是不会匹配“你好你好” 。如果要重复匹配一组原子，可以使用括号(子表达式)，如“(你好)+ ”就会匹配“你好你好” 。需要指出的是，重复指示符与引用子表达式具有不同的含义。重复指示符是重复“匹配” ，至于匹配的内容则可以不同；而引用子表达式则是重复匹配的内容。例如， “d2”可以匹配任何一个两位数的整数，但是“(d)1”只能匹配“11” 、 “22”、 “33”等数字相同两位数。当然，也可以重复引用子表达式，如“(d)1*”可以匹配“2” ，“33”、 “111”等各位数全同的整数。如前所述，在正则表达式中，以下字符“*?+.()”具有特殊的含义。如果需要查找这些字符本身，可以在该字符前加一个反斜杠“”。例如查“def”可以输入“
