Sigil制作epub，正则表达式的使用

原文链接Sigil正则表达式入门
以前经常在txt文档，特别是下载的小说中看到很多> <。突然发现原来是html中的转义字符惹的祸
HTML转义字符对照表

Sigil是一个不错的epub制作软件，适合入门用户。Sigil最值得称道的地方就是，允许我们使用正则表达式，大大方便了我们处理文本的过程。

正则表达式，是一种用特殊符号表示文字的方法，主要用在查找和替换方面。

在一个文本中，有这样的一些内容：
序章
第一章 ABCDEF
第二章 GHIJKL
第三章 …………
终章
复制代码
这种内容我们都很熟悉，你有没有想过，用什么办法可以把这些内容一次过查找出来呢？

为了简化，我们先来看这个部分。
第一章
第二章
第三章
可以看到，这些内容有着极高的相似性，由“第”，“章”开头和结尾，中间有着一些数字。如果我们能用一个什么符号来代表中间的所有字，比如一个圆点“.”，不就可以用这样的方式来查找出所有这样的内容了吗。
“第.章”
很早之前，就有人发明了一套完整的方案，让我们可以用各种不同的符号来达到这种目的，那就是我们将要了解的正则表达式。

正则表达式作为一种描述字符的方案，在大量软件、编程语言中都有所运用，而在这些不同的平台上，正则表达式的使用方式又往往会有或多或少的差异，在某个平台上管用的表达式，换个地方可能就要改改才能正确运行。那么在这篇文章里，我们主要是讲Sigil中的正则表达式，至于推广应用，就要靠大家去查找资料了。

我们前面提到，正则表达式一个重要作用就是用特别的符号来代表一类字符，而这些符号就叫做“元字符”。这些元字符在大多数环境下都是通用的。

注意，元字符中所有符号都是半角符号，也就是通常说的英文符号。

以下是一些常见的元字符，实际上还有更多。这些元字符都经过测试，在Sigil下有效。（后来我自己又加入了部分Sublime Text的可用正则表达式写法）

符号	意义	说明
.	任意一个字符	最简单的元字符，匹配任意字符，但不包括换行符“\n”
\	转义	把元字符改变为普通字符。比如，“\.”就是代表普通的点号，不代表其他字符
\s	空白字符	表示半角空格、制表符、换行符等空白字符的其中一个。在Sigil中使用注意，不能匹配到全角空格（在Sublime Text好像可以匹配到全角空格）
\S	非空白字符	匹配除了半角空格、制表符、换行符等空白字符以外的一个字符
\t	制表符	匹配制表符
\n	换行符	表示文章的换行，这是一个不可见符号，在例子中，这个符号在“_”的位置。 例如： aaa\n bbb 你能够通过“\n”找到换行符，但不能够插入换行符。要在替换结果中换行，需要用“\r”。
\r	回车符	代表一个回车符。这个符号不会在文本中出现，因此不能查找到。但是如果你需要在查找结果中插入一个换行，那么就要用“\r”。 注意，插入后在文本中出现的仍然会是“\n”而不是“\r”。
\b	匹配字词边界
\d	任意一个阿拉伯数字	也就是可以代表0~9中的任意一个。
\D	任意一个非阿拉伯数字	0~9以外的一个字符，同样的，不包括换行符“\n”
^	行首	即一行的开头。Sigil中不能单独使用，要配合其他字符。 比如： abc  abc abcd “^a”表示在行首的“a”，能匹配到第一行和第三行的字母“a”。第二行因为行首是空格，因此匹配不到。
$	行尾	表示任意一行的结尾，不包括换行符。在Sigil中不能单独使用。 比如： abc  abc abcd “c$”表示位于行尾的“c”,能够匹配到第一行和第二行的字母“c”。
|	或	一个逻辑选择符。“aa|bb”既可以匹配到“aa”也可以匹配到“bb”。其他，“gr([a-z]|[A-Z])y”可以匹配到“grdy”或 “grTy”。还可以用到多个选项中，比如“aa|bb|cc”。“1|2|3”相当于“[123]”。
+	匹配前一项内容 1 或多次	必须配用其他字符使用。添加在一个字符后面，表示匹配1个或更多个该字符。 相当于“{1,}”。 比如，“sa+”表示一个以上的“a”，以下例子都能匹配到。 sa saa saaa
+?	匹配前一项内容 0 或多次 (最少匹配)	必须配用其他字符使用。添加在一个字符后面，表示匹配1个或更多个该字符(最少匹配)。 比如： ssrTgfkjkdhurst "s.+?r"可以匹配到"ssr",而"s.+r"可以匹配到"ssrTgfkjkdhur" （在Sublime Text测试可用）
?	匹配前一项内容 0 或 1 次	必须配用其他字符使用。添加在一个字符后面，表示匹配该字符0或1次。 比如： srtjkls "sr?"可以匹配到"srtjkls"中的"sr"以及行尾的"s"，相当于"sr|s"。 （在Sublime Text测试可用）
*	匹配前一项内容 0 或多次,即无或更多。	必须配用其他字符使用。添加在一个字符后面，表示匹配0个或多个该字符。相当于“{0,}”。 比如，“sa*”表示0个以上的“a”，以下例子都能匹配到。 s sa saa saaa
*?	匹配前一项内容 0 或多次 (最少匹配)	必须配用其他字符使用。添加在一个字符后面，表示匹配0个或多个该字符(最少匹配)。 比如： ssrTgfkjkdhurst "s.*?r"可以匹配到"ssr",而"s.*r"可以匹配到"ssrTgfkjkdhur" "*?"与"+?"的区别，暂时没想到例子，一般都使用"+?" （在Sublime Text测试可用）
{n,m}	匹配前一项内容的个数范围	必须配用其他字符使用。添加在一个字符后面，表示匹配该字符的个数范围。 比如，“a{3}”表示“aaa”，“a{2,4}”表示“aa”或“aaa”或“aaaa”，“a{1,}”表示一个以上的“a”。 注意，“a{,2}”应该表示两个以下的“a”，但是这种写法在Sigil中无效，要写成“a{0,2}”。
[]	匹配其中的一个字符	注意：“[]”只匹配一个字符。“[]”是不分顺序的，“[abc]”和“[bca]”一样。 比如，“[abc]”匹配“a”、“b”或“c”中的一个。 “[]”中用“-”表示范围，“[a-z]”表示能匹配到“a”到“z”全部26个字母之一。比如，“[0-9]”和“\d”是一样的，但是“\d”速度更快。 如果大小写敏感，使用"[a-zA-Z]"能匹配到“a”到“z”和“A”到“Z”全部26个字母之一。 如果要在“[]”中匹配“-”本身，把“-”写在最前面，或者把它转义“\-”。 比如，“[-0-9]”就能匹配所有阿拉伯数字和“-”。
[^]	匹配除了[^]内字符以外的一个其他字符	注意：“[^]”只匹配一个字符。注意，因为“[^]”中符号是无序的，因此如果要排除字符串，要用其他方法。 比如： abc adc affc “a[^b]c”能匹配到第二行，不能匹配第一行、第三行。"[^abc]" 表示匹配任意不包括 a, b, c的一个字符。
()	捕获组	“(abc)”表示把“abc”分为一组。分组后可以配合其他元字符使用。一个组称为一个捕获组。 比如，“(abc)+”就是一个或以上“abc”组合的意思。 捕获组中的内容会被记录并编号，可以通过“\0”、“\1”这种形式来引用。
(?: )	分组/非捕获组	作用上与“()”类似，能把内容分为一组，但"(?: )"仅有分组功能，不记录匹配内容。也就是说，无法通过“\0”“\1”等方式引用。 此元字符虽然消耗的资源更少，速度更快，在简单应用中可能体验不到与“()”的区别。
\0，\1，\2…	反向引用	配合"()"使用，引用一个分组。 比如，在查找时有分组“(abc)”，那么“\1”就代表“abc”。有分组“a(bc)(de)f”，那么“\0”代表“abcdef”，“\1”代表“bc”，“\2”代表“de”。如此类推。 嵌套也是一样的，比如“(abc(def))”，“\1”代表“abcdef”，“\2”代表“def”。 同样地，\0，\1，\2…也能在查找时应用。 比如有字符串“abc111abc”，那么表达式“(abc).*\1”就能匹配到所有内容。 注：在其他平台中，可能使用的是$0，$1等表示反向引用。
(?s)	多行匹配	放在表达式的最前端，使得“.”可以匹配到“\n”，从而实现跨行匹配。 比如以下例子：    sdree 使用正则表达式“ .* ”一次只能匹配到第一行或者第三行。 而使用“(?s) .* ”则能一次性匹配到第一行到第三行所有内容。 注：这是Sigil特有元字符，其他平台有另外的方法实现该功能。 注2：此前缀和勾选“DotAll”效果一致。
(?U)	最少匹配	放在表达式的最前端，使得整个正则表达式实现最少匹配。 比如以下例子： AAA BBB CCC 正则表达式“ .* ”会匹配到整个句子。 而“(?U) .* ”只会匹配到“ AAA BBB ”。 注：这是Sigil特有元字符，其他平台有另外的方法实现该功能。 注2：此前缀和勾选“Minimal Match”效果一致。
常用正则表达式
.*	匹配所有内容（注意：“.”不能匹配到“\n”）	“.”代表一个字符，“*”代表前一个字符0或多个，因此“.*”代表“所有字符”。 比如： .* 表示 标签内的所有内容，可以依次匹配到下列各项 AAACCCC ！！！！AAAAACCCC啊啊啊啊 但不能跨行，这样是匹配不到的下面的例子的： AAAAAA 如果要匹配到跨行，需要使用“(?s)”。写成(?s) .*
^[ \t ]*$\n	匹配空白行	匹配空白行的典型写法。可以匹配无内容的行，只有空格的行，只有制表符的行或者空格和制表符混合排列的行。[]中包括的分别是半角空格“ ”，制表符“\t”和全角空格“　”。也可以根据需要添加更多的字符。
[ \t ]+$	行尾空白字符	匹配出现在行尾的空白字符，比如空格。思路和【匹配空白行】一致，使用“$”把搜查范围限定在结尾，使用了符号“+”确保最少有一个空白字符，否则会查找失败。
查找"。+" 替换"。"	压缩重复符号	很容易理解，把一个以上的“。”，换成一个“。”，从而达到压缩重复符号的目的。可以灵活改变，压缩各种重复的字符。配合查找【空白行】，也能实现压缩空白行。
[A-Za-z]	匹配任意一个英文字母	也可以写成[a-zA-Z]，a-z和A-Z顺序无关；[a-zA-Z0-9]则表示：匹配英文和数字当中的任意一个字符 [a-z]表示：匹配从 a 到 z 之间的任意一个字符
[^A-Za-z]	匹配任意一个非英文字母的字符	[^A-Za-z0-9]则表示：匹配任意一个非英文字母和数字的字符
[\u4E00-\u9FA5]	匹配任意一个汉字	注意：[\u4e00-\u9fa5]这种匹配汉字写法不算全面，不包含一些生僻汉字。详情参照https://blog.csdn.net/weixin_30780649/article/details/98327208 例外：在SublimeText的正则表达式使用中，[\u4E00-\u9FA5]可以匹配到英文字母、数字以及部分英文标点符号，需要写成[\x{4e00}-\x{9fa5}]，才能只匹配到汉字
[\x{ff41}-\x{ff5a}\x{ff21}-\x{ff3a}]	匹配任意一个全角英文字母	如果要匹配全角英文字母和全角数字，写成[\x{ff41}-\x{ff5a}\x{ff21}-\x{ff3a}０-９] 详情unicode编码参照https://blog.csdn.net/mx472756841/article/details/53379762 （在Sublime Text测试可用）

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

当然，后面还有部分内容没有转载，可以在原文查看http://www.360doc.com/content/14/1205/19/9152906_430669102.shtml