Základy vyhledávání prostřednictvím regulárních výrazů¶

Tento kontrolní seznam shrnuje nejčastěji používané nebo těžko zapamatovatelné části modulu regulárních výrazů, které jsou k dostupné ve většině součástí Calibre.

Třídy znaků ¶

Stručně řečeno jsou třídy znaků užitečné pro zastupování různých skupin znaků.

Příklady:

Zastoupení	Třída
`[a-z]`	Malá písmena. Nezahrnuje znaky s diakritikou a ligatury
`[a-z0-9]`	Malá písmena od a do z nebo čísla od 0 do 9
`[A-Za-z-]`	Velká nebo malá písmena nebo pomlčka. Pro zahrnutí pomlčky do třídy ji musíte umístit na začátek nebo na konec, aby se nepletla se spojovníkem, který určuje rozsah znaků.
`[^0-9]`	Libovolný znak kromě číslice. Stříška (^) umístěná na začátku třídy vylučuje znaky ze třídy (doplňková třída)
`[[a-z]--[aeiouy]]`	Malá písmena souhlásek. Třída může být zahrnuta do třídy. Znaky `--` vylučují to, co následuje
`[\w--[\d_]]`	Všechna písmena (včetně cizích znaků s diakritikou). Uvnitř třídy lze použít zkrácené třídy

Příklad:

<[^<>]+> to select an HTML tag

Zjednodušené třídy znaků ¶

Zastoupení	Třída
`\d`	Číslo (stejné jako `[0-9]`)
`\D`	Libovolný nečíselný znak (stejné jako `[^0-9]`)
`\w`	Alfanumerický znak (`[a-zA-Z0-9]`) včetně znaků s diakritikou a ligatur
`\W`	Libovolný znak, který není „slovo“
`\s`	Mezera, pevná mezera, tabulátor, enter.
`\S`	Libovolný znak, který není „prázdný znak“
`.`	Jakýkoliv znak kromě nového řádku. Použijte zaškrtávací políčko „vytečkovat vše“ nebo modifikátor regulárních výrazů `(?s)` pro zahrnutí nového řádku.

Kvantifikátory ¶

Kvantifikátor	Počet výskytů výrazů předcházejících kvantifikátor
`?`	0 nebo 1 výskytů výrazu. Stejné jako `{0,1}`
`+`	1 nebo více výskytů výrazu. Stejné jako `{1,}`
`*`	0, 1 nebo více výskytů výrazu. Stejné jako `{0,}`
`{n}`	Přesně n výskytů výrazu
`{min,max}`	Počet výskytů mezi minimální a maximální hodnotou včetně
`{min,}`	Počet výskytů mezi minimální hodnotou včetně a nekonečnem
`{,max}`	Počet výskytů mezi 0 a maximální hodnotou včetně

Ve výchozím nastavení je modul regulárního výrazu s kvantifikátory nenasytný: rozšiřuje výběr co nejvíce. To zpočátku často způsobuje překvapení. ? následovaný kvantifikátorem je lenost. Vyhněte se dávání dvou do stejného výrazu, výsledek může být nepředvídatelný.

Dejte si pozor na vnořené kvantifikátory, například vzor (a*)*, protože exponenciálně zvyšuje dobu zpracování.

Alternace ¶

Znak | v regulárním výrazu je logické OR. To znamená, že se může shodovat buď předcházející nebo následující výraz.

Vyloučení ¶

Metoda 1

vzor_k_vyloučení(*SKIP)(*FAIL)|vzor_k_vybrání

Příklad:

"Blabla"(*SKIP)(*FAIL)|Blabla

vybere Blabla v řetězcích Blabla nebo „Blabla nebo Blabla“, ale ne v „Blabla“.

Metoda 2

vzor_k_vyloučení\K|(vzor_k_vybrání)

"Blabla"\K|(Blabla)

vybere Blabla v řetězcích Blabla nebo „Blabla nebo Blabla“, ale ne v „Blabla“.

Kotvy ¶

Kotva je způsob, jak porovnat logické umístění v řetězci, spíše než znaku. Nejužitečnější kotvy pro zpracování textu jsou:

\b
Určuje hranici slova, tj. přechod z mezery na nemezerový znak. Například můžete použít \bdar, aby odpovídal mám dar, ale ne nezdar.

^
Odpovídá začátku řádku (v režimu více řádků, což je výchozí nastavení)

$
Odpovídá konci řádku (v režimu více řádků, což je výchozí nastavení)

\K
Obnovuje výchozí pozici výběru na pozici ve vzoru. Některé moduly regulárních výrazů (ale ne Calibre) nedovolí hledat vpřed v proměnlivé délce, obzvláště s kvantifikátory. Když můžete s těmito moduly použít \K, také vám to umožní zbavit se tohoto limitu napsáním ekvivalentu pozitivního hledání vpřed v proměnlivé délce.

Skupiny ¶

(výraz)
Zachytávací skupina: Uloží výběr a může být později vyvolána ve vzorech search nebo replace pomocí \n, kde n je pořadové číslo zachytávací skupiny (počínaje od 1 v pořadí čtení)

(?:výraz)
Skupina, která nezachytí výběr

(?>výraz)
Atomická skupina: Jakmile je výraz splněn, modul regulárních výrazů ji předá. A pokud zbytek vzoru selže, nebude se snažit vyzkoušet jiné kombinace s výrazem. Atomické skupiny nezachycují.

(?|výraz)
Skupina obnovení větve: Větve alternativ zahrnutých ve výrazu sdílejí stejná čísla skupin

(?<name>výraz)
Skupina s názvem „name“: Výběr lze později vyvolat ve vzorci search pomocí výrazu (?P=name) a ve vzorci replace výrazem \g. Dvě různé skupiny mohou používat stejný název.

Prohledávání ¶

Prohledávání	Význam
`?=`	Pozitivní hledání vpřed (bude umístěno za výběr)
`?!`	Negativní hledání vpřed (bude umístěno za výběr)
`?<=`	Pozitivní hledání zpět (bude umístěno před výběr)
`?<!`	Negativní hledání zpět (bude umístěno před výběr)

Hledání vpřed a zpět nespotřebovávají znaky, jsou nulové délky a nezachycují. Jsou to atomické skupiny: jakmile je tvrzení splněno, modul regulárních výrazů ho předá, a pokud zbytek vzoru selže, nebude se vracet zpět do prohledávání, aby vyzkoušel jiné kombinace.

Při hledání více shod v řetězci, v počáteční pozici každého pokusu o shodu, může hledání zpět zkontrolovat znaky před aktuální pozicí. Proto v řetězci 123 by měl vzor (?<=\d)\d (číslice předcházející číslici) teoreticky vybrat 2 a 3. Na druhou stranu \d\K\d může vybrat pouze 2, protože počáteční pozice po prvním výběru je bezprostředně před 3 a pro druhou shodu zde není dostatek číslic. Podobně \d(\d) zachytí pouze 2. V modulu regulárních výrazů Calibre se pozitivní hledání zpět chová stejně a vybere pouze 2, na rozdíl od teorie.

Skupiny mohou být umístěny uvnitř prohledávání, ale zachytávání je zřídka užitečné. Pokud je to přesto užitečné, bude muset být při používání kvantifikátoru v hledání zpět velmi opatrní: chamtivost spojená s absencí zpětného dozoru může poskytovat překvapující zachytávání. Z tohoto důvodu použijte spíše \K než pozitivní hledání zpět, když máte v zachytávací skupině pozitivního hledání zpět kvantifikátor (nebo ještě hůře několik).

Příklad negativního hledání vpřed:

(?![^<>{}]*[>}])

Umístění na konci vzoru zabraňuje výběru uvnitř značky nebo stylu vloženého do souboru.

Kdykoliv je to možné, je vždy lepší vyhledávání „ukotvit“, aby se snížil počet kroků nezbytných k dosažení výsledku.

Rekurze ¶

Zastoupení	Význam
`(?R)`	Rekurze celého vzoru
`(?1)`	Rekurze jediného vzoru číslované zachytávací skupiny, zde skupina 1

Rekurze je vyvolání sebe sama. To je užitečné pro vyvážené dotazy, jako jsou řetězce v uvozovkách, které mohou obsahovat vložené řetězce v uvozovkách. Pokud tedy během zpracování řetězce mezi uvozovkami narazíme na začátek nového řetězce mezi uvozovkami, dobře víme, jak to udělat, a vyvoláme sebe sama. Pak máme podobný vzor:

start-pattern(?>atomic sub-pattern|(?R))*end-pattern

Pro výběr řetězce mezi uvozovkami bez zastavení na vloženém řetězci:

“((?>[^“”]+|(?R))*[^“”]+)”

Tuto šablonu lze také použít ke změně párů značek, které mohou být vloženy, například značek <div>.

Speciální znaky ¶

Zastoupení	Znak
`\t`	tabulátor
`\n`	konec řádku
`\x20`	(měkká) mezera
`\xa0`	tvrdá mezera

Metaznaky ¶

Metaznaky jsou ty, které mají zvláštní význam pro modul regulárních výrazů. Dvanáct z nich musí předcházet řídící znak, zpětné lomítko (\), aby ztratily svůj zvláštní význam a stal se z nich opět normální znak:

^ . [ ] $ ( ) * + ? | \

Sedm dalších metaznaků nemusí předcházet zpětné lomítko (ale může bez jakýchkoliv dalších důsledků):

{ } ! < > = :

Speciální znaky ztratí svůj status, pokud jsou použity ve třídě (mezi lomenými závorkami []). Uzavírací lomená závorka a pomlčka mají ve třídě zvláštní status. Mimo třídu je pomlčka jednoduchým literálem, uzavírací lomená závorka zůstává metaznakem.

Lomítko (/) a křížek (nebo znak hash) (#) nejsou metaznaky, nemusejí mít řídící znak.

V některých nástrojích, jako je například regex101.com s modulem Python, mají dvojité uvozovky zvláštní status oddělovače a musí mít řídící znak, nebo se možnosti změní. Toto není případ editoru Calibre.

Režimy ¶

(?s)
Způsobí, že tečka (.) bude odpovídat také znakům nového řádku

(?m)
Učiní, že kotvy ^ a $ budou odpovídat začátku a konci řádků namísto začátku a konce celého řetězce.

Related Topics