0

我目前正在尝试对 pdf 进行一些基本的清理，以便可以将其转换为 ePub 以在我的电子阅读器上使用。我所做的只是删除页码（简单）和脚注（到目前为止很难）。基本上，我想要一个表达式，在每个脚注的开头找到标签模式（ <bar>后跟换行符、数字、字母或引号），选择模式及其后面的所有内容，直到它到达<hr/1>标签在下一页的开头。这是一些示例文本：

The phantoms, for so they then seemed, were flitting on the other side of <br>
the deck, and, with a noiseless celerity, were casting loose the tackles and bands <br>
of the boat which swung there. This boat had always been deemed one of the spare boats <br>
technically called the captain’s, on account of its hanging from the starboard quarter.<br>
The figure that now stood by its bows was tall and swart, with one white tooth <br>
evilly protruding from its steel-like lips. <br>
 <br>
1 "Hardly" had they pulled out from under the ship’s lee, when a <br>
fourth keel, coming from the windward side, pulled round under the stern, <br>
and showed the five strangers <br>
127 <br>
<br>
<hr/>

由于所有脚注都以这种方式格式化，因此我想选择以（注意空格）开头并以标签 <br>结尾的每一组行。<hr/>这是我第一次真正尝试使用正则表达式，所以我尝试了一些解决方案的尝试：

  1. \s<br>\n\d+\s[a-zA-Z“].*：这正确选择 <br>了脚注的第一行，但在中断处停止。\s<br>\n\d+\s[a-zA-Z“].*\n.*\n.*\n.*\n.*\n.*选择正确的行数，但这显然只适用于恰好有三行文本的脚注。

  2. \s<br>\n\d+\s[a-zA-Z“]((.*\n)*)<hr\/>从第一个脚注的正确位置开始，但最终选择整个文档的其余部分。我对这个表达式的解释是“以 开头 <br>，一个数字后跟一个空格，后跟一个字母或引号，然后选择包括换行符在内的所有内容，直到到达<hr/>。”

  3. \s<br>\n\d+\s[a-zA-Z“]((?:.*\r?\n?)*)<hr\/>\n与（2）相同的想法，具有相同的结果，尽管我对正则表达式不够熟悉，无法完全理解这个是怎么回事。

基本上，我的问题是我的表达式要么排除换行符（并忽略结束模式），要么包含每个换行符并返回整个文本（显然仍然忽略结束模式。

如何让它只返回模式之间的文本，包括换行符？

4

1 回答 1

1

你的尝试非常接近。在第一个中，您可能需要设置允许.匹配换行符的标志。它通常不会。?在您的第二个中，您需要在任何 match 上设置非贪婪模式.*。否则.*尝试匹配整个文本的其余部分。

会是这样的。/^ <br>\n\d+\s[a-zA-Z"“](.*?\n)*?<hr\/>/

但无论如何，这是最好在 Perl 中完成的事情。Perl 是所有高级正则表达式的来源。

use strict;
use diagnostics;

our $text =<<EOF;
The figure that now stood by its bows was tall and swart, with one white tooth <br>
evilly protruding from its steel-like lips. <br>
 <br>
1 "Hardly" had they pulled out from under the ship’s lee, when a <br>
fourth keel, coming from the windward side, pulled round under the stern, <br>
and showed the five strangers <br>
127 <br>
<br>
<hr/>
More text.
EOF

our $regex = qr{^ <br>\n\d+ +[A-Z"“].*?<hr/>}ism;
$text =~ s/($regex)/<!-- Removed -->/;
print "Removed text:\n[$1]\n\n";
print "New text:\n[$text]\n";

打印：

Removed text:
[ <br>
1 "Hardly" had they pulled out from under the ship’s lee, when a <br>
fourth keel, coming from the windward side, pulled round under the stern, <br>
and showed the five strangers <br>
127 <br>
<br>
<hr/>]

New text:
[The figure that now stood by its bows was tall and swart, with one white tooth <br>
evilly protruding from its steel-like lips. <br>
<!-- Removed -->
More text.
]

运算符构建一个正则表达式，qr以便可以将其存储在变量中。^开头表示将此匹配锚定在一行的开头。末尾的ism代表不区分i大小写、单个s字符串、m多个嵌入行。 s允许.匹配换行符。 m允许^匹配嵌入在字符串中的行的开头。您将g在替换结束时添加一个标志以进行全局替换。 s///g

Perl 正则表达式文档解释了一切。 https://perldoc.perl.org/perlretut

另请参阅perl 中的多行替换，扩展表达式不起作用。

高温高压

于 2020-12-05T05:08:26.520 回答