对于正则表达式,有多少人一直停留在“卧槽,好NB”,但就是不会用的层面?才入门的时候笔者也感觉这东西很神秘呀,就像段誉学一阳指那会,知道它NB但就是发不出技能。
其实正则学精不易,但学会还是挺容易点的呀。
今天,笔者就带大家实战一下正则表达式在实际生产中应用:PDF书签整理。
准备:
- 整理后的数据该有的样子:
笔者为了本文做好铺垫,专门写了一篇这样的文章:PDF 能一键生成书签,PdgCntEditor了解一下~
这篇文章告诉我们啊,想要一键添加书签,你得先把书签数据整成这样子:
-
一份正则表达式心法小抄:
-
获取书签源数据的样子。
本文用到的源数据是从PDF的目录页直接Ctrl+C,Ctrl+V而来,没整理前你看到的是这样的:
教程开始:
从准备栏的 Step 1 可见,抽调前面字符和后面页码之间的小点就大事告成。
但别拿Notepad直接替换小点为空白,要知道书签条目里面也有小点点哟。-
观察一下小点前面的规律:
- 小点的前面有时候是汉字,也有标点符号的情况, 还有字母。为了精确表示这种规律,我们凑个这个:
[\w\u4e00-\u9fa5]
,\w 表示匹配大小写字母和数字,\u4e00-\u9fa5 是unicode编码,代表了所有汉字的集合。 - 然后发现呀,这排小点和文字之间呢居然还紧接着一个空格,但有的地方又没有空格,所以我们敲个空格,然后紧接个
*
,*号代表匹配前一个字符0次或者多次。 - 紧挨着小点的前面的2个字符长度处理完了,那再往前面去的字符串我该怎么取呢?OK,很简单,就是一个点+一个星号
.*
,点在正则里代表任意字符。星号上一句已经说明。 - 最后呢,写上一个点做一个截断,测试下效果,注意:小点需要反斜杠转义,因为它在正则里面有意义。
-
好啦下面我们看看我们匹配到了什么:
- 小点的前面有时候是汉字,也有标点符号的情况, 还有字母。为了精确表示这种规律,我们凑个这个:
-
Cool!基本上全匹配上了,但你有没有发现咱们把标点符号给漏了?比如问号
?
和右括号)
,就像这样:
或者这样:
- 我们加上
\S
来表示他们,句子结尾的标点符号只可能有一个,所以我们在后面紧接着加上?
,问号表示匹配前一个字符0次或者1次。 - 然后我们注意到那个截图中的问号前面好像还有个空格,好吧,再加上一个匹配空格一次
空格?
,抱歉那个空格打在里面看不见就用汉字表示吧。 -
再确认效果:
- 我们加上
-
确认了前半部分的规律,我们再确认后半部分的规律:
- 真容易,就是点的后面接一个空格然后接数字,数字有2位数的,想当然也知道有3位数的呀,一本书辣么厚!所以我给出这个样子的表达式:
\. *\d+
- 这个表达式表示:点的后面有0个或者多个空格,然后就是至少有一个数字。
-
下面我们确认下效果吧:
- 真容易,就是点的后面接一个空格然后接数字,数字有2位数的,想当然也知道有3位数的呀,一本书辣么厚!所以我给出这个样子的表达式:
-
下面我们整合一下这个表达式:
- 左边:
.*[\w\u4e00-\u9fa5] ?\S? *\.
,右边:\. *\d+
- 很显然,想要整合他们,就要用个表达式表示中间那串小点点,我们这么写:
\.+
,表示匹配这个小点一次或者多次。 - 综上,我们得到了这个:
.*[\w\u4e00-\u9fa5] ?\S? *\.+ *\d+
-
不出意外,它会匹配到一整行。下面我们看下效果:
- 左边:
6.那怎么让中间的小点消失呢,这问题不错,下面我们来学点新知识:分组和替换模式
- 分组可简单了,一对括号就分了一组 ,2对分2组...
下面我们直接把我们前面找的规律进行分组,可以预见,我能将分成:目录条目+一串小点+数字(页码) - 按规律分组,我们得到了这个:
(.*[\w\u4e00-\u9fa5] ?\S?)( *\.+ *)(\d+)
,表示目录条目一组,小点点一组,页码一组。 -
下面我们看看效果,注意看左下角的位置:
- 简单的修正:
- 我们发现基本上取回了我们想要的东西,但有的目录条目后面怎么有个小点点啊。
其实原因很简单,就是小点点呀也可以被\S
代言。 - 解决办法也很好办呀,直接干脆的声明我们不要小点点就好了嘛,表达式是这样子的:
[^.]
- 注意:小点在方括号里不需要转义哟,前面的向上的尖尖号表示取反,就是不要的意思。
-
下面我们看看效果吧,是不是小点点不见了:
- 现在,我们就替换小点点为 制表符(Tab键):
-
首先我们认识下分组里面的信息:
-
待会呢,我们要取用的数据都有谁呀:$1 和 $3,把它们用水平制表符(Tab键)链接起来,我们的目的就达到了:
写到最后:
- 关于怎么导书签,感兴趣可以挪步上面提到的文章,或者下面的扩展阅读。
-
如果像本教程里的书签数据,它没有章节编号,想要整出这样的目录树,还要额外的排版,也简单,Notepad++ 长按 Alt 能拖拽多行 然后插入Tab键人工缩进呗!
-
要不要正则表达式可视化,就像这样:
-
要不要酷炫的在线正则表达式编辑器,就像这样:
-
要不要酷炫的正则表达式编辑器,就像这样:
- 都别想了,不请顿饭我是不会告诉你的~
扩展阅读
- PDF 能一键生成书签,PdgCntEditor了解一下~
- 正则表达式工具 Match Tracer
- Regexper
- RegExr: Learn, Build, & Test RegEx
- learn-regex/README-cn.md at master · ziishaned/learn-regex
- Online regex tester and debugger: PHP, PCRE, Python, Golang and JavaScript(正则在线调试器 - 学习利器)
2020年10月16日
使用vs2019可以自动识别你键入的正则表达式并提供智能感知提示,太赞了!