开源阅读进阶教程&正则替换五步走(上)

写在前面：

      正则表达式是对文本内容进行批量处理的一种方式，它通过赋予一些字符特殊含义来组合形成各种各样的效果，类似于编程语言。其使用要点在于把握“固定的”与“可变的”两个部分的平衡，“固定的”部分常以穷举的方式用于精准定位和限制作用于正文内容的范围，“可变的”部分常以通配符的方式用于匹配不固定内容实现批量化的效果，二者平衡的关键在于尽量使正则表达式对正常内容的影响最小。

一、分析——分析固定成分(“固定的”部分)

1.网站广告

       多以文字广告或网址的形式，而文字广告大致以“固定话术+其他”的形式组成，网址是以http:或https:开头的一连串含字母、数字、点、斜线等内容的形式组成，大部分可穷举。

2.作者的话

       有些是固定以ps:开头的话语，有些是包含感谢打赏或支持、求票求订阅、请假等固定词语的话语，这些固定内容可以穷举。

3.和谐字词

       多以字母缩写、代称或拼音等形式。每个个例都形式固定且单一，可穷举。

4.其余形式

       正文内容出现重复，段落不完整换行等其他更复杂的形式。需具体情况具体分析，后续视频详解。

二、匹配——编写替换规则(“可变的”部分)

1.网站广告

示例①：匹配纯网址

原文：http://www.baidu.com

小白写法：http[:：]\/{2}w{3}\.baidu\.com

简略写法：http[:：]\/\/[a-z\.]+

完整写法：(?i)https?[:：]\/{2}[a-z\.\/\?\-#\d]+

示例②：匹配文字广告

原文：《书名》单独一段

小白写法：《.*》

完整写法：(?<=[   \s])《.*》(?=\s)

2.作者的话

示例③：匹配ps内容

小白写法：ps:.*

完整写法：(?i)(?<=[    \s])[\(\（【]?ps[1-9]?[:：].*

示例④：匹配其他形式

原文：(多谢/感谢)书友xx的(鲜花/打赏/刀片)

替换规则：[感多]谢.*(鲜花|打赏|刀片)

3.和谐字词

示例⑤：拼音或字母缩写

原文一：你的(jiao/jiǎo/jio)很臭

小白写法：jiao|jiǎo|jio

完整写法：(?i)ji[aǎ]?o(?![a-zA-Z_])

替换为：脚

原文二：梅hua/荷huā/hua朵/huā枝

小白写法：hua|huā

完整写法：(?i)(?<=[梅荷])hu[aā](?![a-z])|hu[aā](?=[朵枝])

替换为：花

4.其他形式见后续视频单独讲解。前面初学小白写法与完整写法的区别见后续视频详细解读。

三、填充——填写订正内容

1.删除内容→“替换为”不填，如示例①②③④

2.更改内容→“替换为”填入修改后的内容，如示例⑤