44

我正在寻找一种从 RTF 字符串中删除文本的方法，我发现了以下正则表达式：

({\\)(.+?)(})|(\\)(.+?)(\b)

然而，结果字符串有两个直角括号“}”

前： {\rtf1\ansi\ansicpg1252\deff0\deflang1033{\fonttbl{\f0\fnil\fcharset0 MS Shell Dlg 2;}{\f1\fnil MS Shell Dlg 2;}} {\colortbl ;\red0\green0\blue0;} {\*\generator Msftedit 5.41.15.1507;}\viewkind4\uc1\pard\tx720\cf1\f0\fs20 can u send me info for the call pls\f1\par }

后： } can u send me info for the call pls }

关于如何改进正则表达式的任何想法？

编辑： 一个更复杂的字符串，比如这个不起作用： {\rtf1\ansi\ansicpg1252\deff0\deflang1033{\fonttbl{\f0\fnil\fcharset0 MS Shell Dlg 2;}} {\colortbl ;\red0\green0\blue0;} {\*\generator Msftedit 5.41.15.1507;}\viewkind4\uc1\pard\tx720\cf1\f0\fs20 HKEY_LOCAL_MACHINE\\SOFTWARE\\Microsoft\\test\\myapp\\Apps\\\{3423234-283B-43d2-BCE6-A324B84CC70E\}\par }

4

10 回答 10

62

在 RTF 中，{ 和 } 标记一个组。组可以嵌套。\ 标记控制字的开始。控制字以空格或非字母字符结尾。控制字可以有一个数字参数，其间没有任何分隔符。一些控制字也带有文本参数，用';'分隔。这些控制词通常在它们自己的组中。

我想我已经设法制作了一个可以处理大多数情况的模式。

\{\*?\\[^{}]+}|[{}]|\\\n?[A-Za-z]+\n?(?:-?\d+)?[ ]?

但是，在您的模式上运行时，它会留下一些空格。

通过RTF 规范（其中一些），我发现纯正则表达式的剥离器存在很多陷阱。最明显的一个是应该忽略某些组（页眉、页脚等），而应该呈现其他组（格式化）。

我编写了一个 Python 脚本，它应该比我上面的正则表达式工作得更好：

def striprtf(text):
   pattern = re.compile(r"\\([a-z]{1,32})(-?\d{1,10})?[ ]?|\\'([0-9a-f]{2})|\\([^a-z])|([{}])|[\r\n]+|(.)", re.I)
   # control words which specify a "destionation".
   destinations = frozenset((
      'aftncn','aftnsep','aftnsepc','annotation','atnauthor','atndate','atnicn','atnid',
      'atnparent','atnref','atntime','atrfend','atrfstart','author','background',
      'bkmkend','bkmkstart','blipuid','buptim','category','colorschememapping',
      'colortbl','comment','company','creatim','datafield','datastore','defchp','defpap',
      'do','doccomm','docvar','dptxbxtext','ebcend','ebcstart','factoidname','falt',
      'fchars','ffdeftext','ffentrymcr','ffexitmcr','ffformat','ffhelptext','ffl',
      'ffname','ffstattext','field','file','filetbl','fldinst','fldrslt','fldtype',
      'fname','fontemb','fontfile','fonttbl','footer','footerf','footerl','footerr',
      'footnote','formfield','ftncn','ftnsep','ftnsepc','g','generator','gridtbl',
      'header','headerf','headerl','headerr','hl','hlfr','hlinkbase','hlloc','hlsrc',
      'hsv','htmltag','info','keycode','keywords','latentstyles','lchars','levelnumbers',
      'leveltext','lfolevel','linkval','list','listlevel','listname','listoverride',
      'listoverridetable','listpicture','liststylename','listtable','listtext',
      'lsdlockedexcept','macc','maccPr','mailmerge','maln','malnScr','manager','margPr',
      'mbar','mbarPr','mbaseJc','mbegChr','mborderBox','mborderBoxPr','mbox','mboxPr',
      'mchr','mcount','mctrlPr','md','mdeg','mdegHide','mden','mdiff','mdPr','me',
      'mendChr','meqArr','meqArrPr','mf','mfName','mfPr','mfunc','mfuncPr','mgroupChr',
      'mgroupChrPr','mgrow','mhideBot','mhideLeft','mhideRight','mhideTop','mhtmltag',
      'mlim','mlimloc','mlimlow','mlimlowPr','mlimupp','mlimuppPr','mm','mmaddfieldname',
      'mmath','mmathPict','mmathPr','mmaxdist','mmc','mmcJc','mmconnectstr',
      'mmconnectstrdata','mmcPr','mmcs','mmdatasource','mmheadersource','mmmailsubject',
      'mmodso','mmodsofilter','mmodsofldmpdata','mmodsomappedname','mmodsoname',
      'mmodsorecipdata','mmodsosort','mmodsosrc','mmodsotable','mmodsoudl',
      'mmodsoudldata','mmodsouniquetag','mmPr','mmquery','mmr','mnary','mnaryPr',
      'mnoBreak','mnum','mobjDist','moMath','moMathPara','moMathParaPr','mopEmu',
      'mphant','mphantPr','mplcHide','mpos','mr','mrad','mradPr','mrPr','msepChr',
      'mshow','mshp','msPre','msPrePr','msSub','msSubPr','msSubSup','msSubSupPr','msSup',
      'msSupPr','mstrikeBLTR','mstrikeH','mstrikeTLBR','mstrikeV','msub','msubHide',
      'msup','msupHide','mtransp','mtype','mvertJc','mvfmf','mvfml','mvtof','mvtol',
      'mzeroAsc','mzeroDesc','mzeroWid','nesttableprops','nextfile','nonesttables',
      'objalias','objclass','objdata','object','objname','objsect','objtime','oldcprops',
      'oldpprops','oldsprops','oldtprops','oleclsid','operator','panose','password',
      'passwordhash','pgp','pgptbl','picprop','pict','pn','pnseclvl','pntext','pntxta',
      'pntxtb','printim','private','propname','protend','protstart','protusertbl','pxe',
      'result','revtbl','revtim','rsidtbl','rxe','shp','shpgrp','shpinst',
      'shppict','shprslt','shptxt','sn','sp','staticval','stylesheet','subject','sv',
      'svb','tc','template','themedata','title','txe','ud','upr','userprops',
      'wgrffmtfilter','windowcaption','writereservation','writereservhash','xe','xform',
      'xmlattrname','xmlattrvalue','xmlclose','xmlname','xmlnstbl',
      'xmlopen',
   ))
   # Translation of some special characters.
   specialchars = {
      'par': '\n',
      'sect': '\n\n',
      'page': '\n\n',
      'line': '\n',
      'tab': '\t',
      'emdash': u'\u2014',
      'endash': u'\u2013',
      'emspace': u'\u2003',
      'enspace': u'\u2002',
      'qmspace': u'\u2005',
      'bullet': u'\u2022',
      'lquote': u'\u2018',
      'rquote': u'\u2019',
      'ldblquote': u'\201C',
      'rdblquote': u'\u201D', 
   }
   stack = []
   ignorable = False       # Whether this group (and all inside it) are "ignorable".
   ucskip = 1              # Number of ASCII characters to skip after a unicode character.
   curskip = 0             # Number of ASCII characters left to skip
   out = []                # Output buffer.
   for match in pattern.finditer(text):
      word,arg,hex,char,brace,tchar = match.groups()
      if brace:
         curskip = 0
         if brace == '{':
            # Push state
            stack.append((ucskip,ignorable))
         elif brace == '}':
            # Pop state
            ucskip,ignorable = stack.pop()
      elif char: # \x (not a letter)
         curskip = 0
         if char == '~':
            if not ignorable:
                out.append(u'\xA0')
         elif char in '{}\\':
            if not ignorable:
               out.append(char)
         elif char == '*':
            ignorable = True
      elif word: # \foo
         curskip = 0
         if word in destinations:
            ignorable = True
         elif ignorable:
            pass
         elif word in specialchars:
            out.append(specialchars[word])
         elif word == 'uc':
            ucskip = int(arg)
         elif word == 'u':
            c = int(arg)
            if c < 0: c += 0x10000
            if c > 127: out.append(unichr(c))
            else: out.append(chr(c))
            curskip = ucskip
      elif hex: # \'xx
         if curskip > 0:
            curskip -= 1
         elif not ignorable:
            c = int(hex,16)
            if c > 127: out.append(unichr(c))
            else: out.append(chr(c))
      elif tchar:
         if curskip > 0:
            curskip -= 1
         elif not ignorable:
            out.append(tchar)
   return ''.join(out)

它通过解析 RTF 代码并跳过指定了“目的地”的任何组以及所有“可忽略”组 ( {\*... }) 来工作。我还添加了一些特殊字符的处理。

缺少许多功能使其成为完整的解析器，但对于简单的文档来说应该足够了。

更新：此 url 已更新此脚本以在 Python 3.x 上运行：

https://gist.github.com/gilsondev/7c1d2d753ddb522e7bc22511cfb08676

于 2008-10-09T19:42:06.363 回答
7

我以前用过这个，它对我有用：

\\\w+|\{.*?\}|}

您可能希望修剪结果的末端以去除剩余的多余空格。

于 2008-10-09T19:08:01.753 回答
7

到目前为止，除了使用 RichTextBox 控件外，我们还没有找到一个好的答案：

    /// <summary>
    /// Strip RichTextFormat from the string
    /// </summary>
    /// <param name="rtfString">The string to strip RTF from</param>
    /// <returns>The string without RTF</returns>
    public static string StripRTF(string rtfString)
    {
        string result = rtfString;

        try
        {
            if (IsRichText(rtfString))
            {
                // Put body into a RichTextBox so we can strip RTF
                using (System.Windows.Forms.RichTextBox rtfTemp = new System.Windows.Forms.RichTextBox())
                {
                    rtfTemp.Rtf = rtfString;
                    result = rtfTemp.Text;
                }
            }
            else
            {
                result = rtfString;
            }
        }
        catch
        {
            throw;
        }

        return result;
    }

    /// <summary>
    /// Checks testString for RichTextFormat
    /// </summary>
    /// <param name="testString">The string to check</param>
    /// <returns>True if testString is in RichTextFormat</returns>
    public static bool IsRichText(string testString)
    {
        if ((testString != null) &&
            (testString.Trim().StartsWith("{\\rtf")))
        {
            return true;
        }
        else
        {
            return false;
        }
    }

编辑：添加了 IsRichText 方法。

于 2010-08-26T16:17:45.223 回答
4

我制作了这个辅助函数来在 JavaScript 中执行此操作。到目前为止，这对我来说对于简单的 RTF 格式删除效果很好。

function stripRtf(str){
    var basicRtfPattern = /\{\*?\\[^{}]+;}|[{}]|\\[A-Za-z]+\n?(?:-?\d+)?[ ]?/g;
    var newLineSlashesPattern = /\\\n/g;
    var ctrlCharPattern = /\n\\f[0-9]\s/g;

    //Remove RTF Formatting, replace RTF new lines with real line breaks, and remove whitespace
    return str
        .replace(ctrlCharPattern, "")
        .replace(basicRtfPattern, "")
        .replace(newLineSlashesPattern, "\n")
        .trim();
}

注意：

  • 我稍微修改了上面@Markus Jarderot编写的正则表达式。它现在分两步删除新行末尾的斜杠，以避免更复杂的正则表达式。
  • .trim()仅在较新的浏览器中受支持。如果您需要支持这些，请参阅：Trim string in JavaScript?

编辑：我已经更新了正则表达式来解决我最初发布后发现的一些问题。我在一个项目中使用它，在这里的上下文中查看它：https ://github.com/chrismbarr/LyricConverter/blob/865f17613ee8f43fbeedeba900009051c0aa2826/scripts/parser.js#L26-L37

于 2013-01-16T04:02:11.410 回答
3

正则表达式永远不会 100% 解决这个问题，你需要一个解析器。在 CodeProject 中检查这个实现（虽然它在 C# 中）： http: //www.codeproject.com/Articles/27431/Writing-Your-Own-RTF-Converter

于 2012-03-15T10:00:49.663 回答
2

根据RegexPal，这两个 } 是下面加粗的：

{\rtf1\ansi\ansicpg1252\deff0\deflang1033{\fonttbl{\f0\fnil\fcharset0 MS Shell Dlg 2;}{\f1\fnil MS Shell Dlg 2;} } {\colortbl ;\red0\green0\blue0; } {\generator Msftedit 5.41.15.1507;}\viewkind4\uc1\pard\tx720\cf1\f0\fs20 可以给我发送通话信息吗 pls\f1\par }

我能够通过在正则表达式中添加一个加号来修复第一个花括号：

({\\)(.+?)(}+)|(\\)(.+?)(\b)
            ^
     plus sign added here

为了在最后修复花括号，我这样做了：

({\\)(.+?)(})|(\\)(.+?)(\b)|}$
                            ^
         this checks if there is a curly brace at the end

我不太了解 RTF 格式，所以这可能不适用于所有情况，但它适用于您的示例......

于 2008-10-09T18:53:34.557 回答
2

后期贡献者，但下面的正则表达式帮助我们处理了我们在数据库中找到的 RTF 代码（我们通过 SSRS 在 RDL 中使用它）。

这个表达式为我们的团队删除了它。虽然它可能只是解决我们特定的 RTF，但它可能对某人有帮助。虽然这个 webby 对于现场测试来说非常方便。

http://regexpal.com/

{\*?\\.+(;})|\s?\\[A-Za-z0-9]+|\s?{\s?\\[A-Za-z0-9]+\s?|\s?}\s?

希望这有帮助，K

于 2014-02-24T11:54:15.640 回答
1

以下解决方案允许您从 RTF 字符串中提取文本：

FareRule = Encoding.ASCII.GetString(FareRuleInfoRS.Data);
    System.Windows.Forms.RichTextBox rtf = new System.Windows.Forms.RichTextBox();
    rtf.Rtf = FareRule;
    FareRule = rtf.Text;
于 2010-02-09T13:44:38.220 回答
1

没有一个答案是足够的，所以我的解决方案是使用 RichTextBox 控件（是的，即使在非 Winform 应用程序中）从 RTF 中提取文本

于 2009-04-09T21:10:29.603 回答
1

下面是一个可以从 Oracle 字段中去除 RTF 的 Oracle SQL 语句：

SELECT REGEXP_REPLACE(
    REGEXP_REPLACE(
        CONTENT,
        '\\(fcharset|colortbl)[^;]+;', ''
    ),
    '(\\[^ ]+ ?)|[{}]', ''
) TEXT
FROM EXAMPLE WHERE CONTENT LIKE '{\rtf%';

这是为来自 Windows 富文本控件的数据设计的，而不是 RTF 文件。限制是：

  • \{\}不替换{为and}
  • 页眉和页脚没有特别处理
  • 图像和其他嵌入对象没有经过特殊处理（不知道如果遇到其中之一会发生什么！）

它的工作原理是首先删除\fcharsetand\colourtbl标记，这是特殊的，因为数据跟随它们直到;到达。然后它删除所有\xxx标签（包括一个可选的尾随空格），然后是所有的{和}字符。这可以处理最简单的 RTF，例如从富文本控件中获得的内容。

于 2017-03-03T06:54:53.927 回答