开源阅读替换教程&正则替换五步走(中)

四、限制——限制生效范围

1.首尾：

      “^”匹配字符串的开始位置，“$”匹配结束位置，如^ab$匹配a开头b结尾的字符串，ab则不要求a是开头和b是结尾，注意^和$本身不匹配内容。

2.断言：

       断言也是匹配位置而非内容，断言其实就是判断前后文是否符合条件，只有符合条件才能进行匹配。分别有前向否定(?<!)、前向肯定(?<=)、后向否定(?!)、后向肯定(?=)这四种情况。

      例如示例②和③里面的“(?<=[   \s])”表示只有前面是空格符才能进行匹配，常用于判断首行缩进的段落开头，不匹配空格符。还有示例⑤中的“(?<=[梅荷])”表示判断前面必须是“梅”或“荷”，但不匹配“梅”与“荷”；“(?=[朵枝])”表示后面必须是“朵”或“枝”；“(?![a-z])”表示后面不能是小写字母。

       断言的使用频率极高，它是提高匹配精度和减少错误匹配的最常用方式。追加原文到正则中虽然也能提高匹配精度，但也减小了适用范围，并且也无法做到像断言一样只判断前后内容而不匹配该内容。

3.分组：

       早在数学中我们就学过括号()可以将算式进行分组，表示括号内是一个整体，在正则里面同样有如此效果。正则里的括号()不匹配括号本身，匹配本身需要反斜线\转义。

       在写正则的过程中，如果前面的正则匹配到了一段原文，后面要想匹配一段相同的原文该怎么办呢？我们前面所学正则的匹配思路，无一不是按照原文内容的形式和位置来思考的，而现在要求在匹配到一段原文的基础上再匹配一段与之相同原文，这涉及对内容本身进行匹配，显然超出了之前所学的范畴。此时分组就发挥了作用。

      例如前文提到的原文出现多处重复的情况，我们想匹配重复的内容。

原文：

    “斗之力，三段！”

    “斗之力，三段！”

    天地不仁，以万物为刍狗！

    天地不仁，以万物为刍狗！

替换规则：([^\n]+)\s*\n\s*\1

      规则中“[^\n]+”匹配了任意一个自然段的内容，“\s*\n\s*”匹配了段前段尾出现的空格和换行，“\1”则是对第一个括号匹配的原文内容进行引用，即与前面“.*”匹配到的内容相同。这样我们就能匹配到所有重复的自然段。此外，“[^\n]+”也可写成“.+”，但“+”不可换成“*”。

     在匹配到重复段落之后，我们自然需要去掉多余段落，因为有“\1”这种引用原文的效果，“替换为”的内容也就不难写了。但“替换为”里面用“$1”而非“\1”，这也是引用第一个括号匹配到的原文。

替换规则：([^\n]+)\s*\n\s*\1

替换为：$1

      通过上述分析，以上规则将把所有连续出现两次的重复段落只保留第一个。另外还有\2、\3、\4……以及$2、$3、$4……引用与之相同的相应括号匹配到的原文。

      由此获得启发，段落内的异常换行也有了解决方案。这种异常换行主要表现为在非结尾标点处换行，也就是在不是句号、问号、感叹号、反引号等位置换行，或者说在无标点、逗号、分号、正引号、破折号、顿号、波浪号等位置换行。

替换规则：([^。\.!！"”?？\s])\s*\n\s*(.*)

替换为：$1$2