利用「正则表达式」进行批量文本替换

利用「正则表达式」可以显著的提高文档处理的效率。本文围绕下列例子，简要的介绍了如何通过正则表达式进行文档的快速查找与替换。

查找字符串 ^[►](\D*)(\d+).*

替换字符串 -> b\2 [label="\1"];

请注意，「正则表达式」Regular Expression 简称 Regx，是一门博大而深邃的艺术，本文只能算作入门教程的导论^{[1] [2]}。

最简单的例子 - 删除多余空行

最直接的想法即是查找「换行符」直接删除，如下：

查找字符串 \n 
	
替换字符串为空

然而，这样是行不通的：

第一行文本

第二行文本

第三行文本

经过处理后就成为了：

第一行文本第二行文本第三行文本

正常段落间换行也被删除了。不过，稍加变化即可解决问题：

查找字符串 ^\n

在 Regx 中，^ 标记行首；$ 标记行尾。

上述代码的意思即是查找出现在行首的「换行符」，从而解决了上述问题。

略微复杂的例子 - 删除行首行标

查找字符串 ^\d+

我们已经清楚通过 ^ 可以定位行首，现在新的问题是如何追踪到行标。凡事先问「是什么」，「行标」用自然语言来说，就是「出现在行首的一个或多个数字」。那么在 Regx 中可以用，\d+ 来表示。借此，引入「元字符」和「限定符」的概念，如下表：

真实的应用：一堆文本与一个问题

最近在处理一个超过十万字的 ^[3] 文本，需要把它处理为某种计算机可用的格式。里面含有大量的类似于这样的文本：

► 指向 1984 。

需要替换为这个

-> 1984 [label = “ 指向 “];

其中，文本和数字都是任意的。这是个有些复杂的问题，最终解决的办法就是开头的那串复杂的 Regx，如下：

查找字符串 ^[►](\D*)(\d+).*
	
替换字符串 -> b\2 [label="\1"];

除了上述章节已经提及的元素，首先映入眼帘的^[4]，是一堆括号，那么就先来解释括号的意义。

• 方括号 [ ] 指没有预定义的「元字符」集，比方说[►]就是指当匹配到任何一个「 ► 」的时候。同理， [aeiou]指匹配到任何一个元音字母的时候。

• 小括号 （ ） 指分组，每个组会被按照次序依次加上序号。替换字符串这里是最简单的应用，

\1 指代 (\D*) 的内容

\2 指代 (\d+) 的内容

显然，Regx 是大小写敏感的。再浏览一遍上面的 Regx，只有一个地方不清除了，\D 的意义。现在引入「反义字符」的概念

同理 [^aeiou] 匹配除了 a e i o u 这几个字母以外的任意字符。那么，用自然语言解释这一串 Regx 的意义即是：

查找到行首；匹配 ► ；接着匹配任意数量非数字字符，编为第一组；接着匹配一个或多个数字，编为第二组；匹配任意数量的在本行的任意字符；完

一只 BUG 与「贪婪模式」

查找字符串 ^[►](*)(\d+).*

之前处理此问题的时候，用的是上面这个 Regx ，但最后替换的结果令人哭笑不得

-> b4 [label=” 指向198”];

原因如下：

通常当 Regx 中包含能接受重复的限定符时，在使整个 Regx 能得到匹配的前提下，匹配尽可能多的字符。这被称为「贪婪模式」Greedy Mode 。与此对应的称之为「懒惰模式」Lazy Mode 。

这样的话，在「► 指向 1984 。」中，前面的 * 一直取到 8 也就不足为奇了。

###

思考题：Unix Command

rm image*[02468].jpg evenImage 

是什么意思？^[5]

综上所述

Regx 也应该可以算作「计算机科学」中的上古神器之一 — 简洁，优雅，烧脑。