4

我正在尝试精简从参考管理器获得的围兜文本文件，因为它会留下额外的字段，当我将其放入 LaTeX 时，这些字段最终会被破坏。

我要清理的一个特征条目是：

@Article{Kholmurodov:2001p113,
author = {K Kholmurodov and I Puzynin and W Smith and K Yasuoka and T Ebisuzaki}, 
journal = {Computer Physics Communications},
title = {MD simulation of cluster-surface impacts for metallic phases: soft landing, droplet spreading and implantation},
abstract = {Lots of text here.  Even more text.},
affiliation = {RIKEN, Inst Phys {\&} Chem Res, Computat Sci Div, Adv Comp Ctr, Wako, Saitama 3510198, Japan},
number = {1},
pages = {1--16},
volume = {141},
year = {2001},
month = {Dec},
language = {English},
keywords = {Ethane, molecular dynamics, Clusters, Dl_Poly Code, solid surface, metal, Hydrocarbon Thin-Films, Adsorption, impact, Impact Processes, solid surface, Molecular Dynamics Simulation, Large Systems, DL_POLY, Beam Deposition, Package, Collision-Induced Desorption, Diamond Films, Vapor-Deposition, Transition-Metals, Molecular-Dynamics Simulation}, 
date-added = {2008-06-27 08:58:25 -0500},
date-modified = {2009-03-24 15:40:27 -0500},
pmid = {000172275000001},
local-url = {file://localhost/User/user/Papers/2001/Kholmurodov/Kholmurodov-MD%20simulation%20of%20cluster-surface%20impacts-2001.pdf},
uri = {papers://B08E511A-2FA9-45A0-8612-FA821DF82090/Paper/p113},
read = {Yes},
rating = {0}
}

我想消除月份、摘要、关键字等字段，其中一些是单行，一些是多行。

我已经在 Python 中尝试过，就像这样：

fOpen = open(f,'r')
start_text = fOpen.read()
fOpen.close()

# regex
out_text = re.sub(r'^(month).*,\n','',start_text)
out_text = re.sub(r'^(annote)((.|\n)*?)\},\n','',out_text)
out_text = re.sub(r'^(note)((.|\n)*?)\},\n','',out_text)
out_text = re.sub(r'^(abstract)((.|\n)*?)\},\n','',out_text)

fNew = open(f,'w')
fNew.write(out_text)
fNew.close()

我曾尝试在 TextMate 中运行这些正则表达式以查看它们是否有效，然后再在 Python 中尝试它们，它们似乎没问题。

有什么建议么？

谢谢。

4

1 回答 1

2

这个正则表达式怎么样（适用于多行和 dotall 标志）：

^(?:month|annote|note|abstract)\s*=\s*\{(?:(?!\},$).)*\},[\r\n]+

解释：

^ # 行首
(?: # 非捕获组 1
  month|annote|note|abstract # 这些术语之一
) # 结束非捕获组 1
\s*=\s* # 空格，等号，空格
\{ # 一个字面大括号
(?: # 非捕获组 2
  (?! # 负前瞻 (如果后面没有...)
    \},$ # 大括号、逗号和换行符
  ) # 结束负前瞻
  . # ...然后匹配下一个字符，不管它是什么
)* # 结束非捕获组 2，重复
\}, # 一个大括号和一个逗号
[\r\n]+ # 至少一个换行符

这个单一的表达式在一个步骤中整理出所有受影响的行。

编辑/警告：请注意，一旦发生以下情况，这将失败：

隶属关系 = {RIKEN, Inst Phys {\&},
Computat Sci Div, Adv Comp Ctr, Wako, Saitama 3510198, Japan},

嵌套结构不能由正则表达式处理。在这种情况下，没有纯正则表达式解决方案在所有情况下都是正确的，你能得到的最好的结果是一个很好的近似值。

问题是您是否 100% 确定上述情况不会发生（我认为您不可能） - 或者您是否愿意承担风险。如果您不完全确定这不会成为问题 - 使用或编写解析器。

于 2010-08-24T16:59:13.430 回答