在lisp中应用正则表达式
[序]
长久以来,文本的编辑一直是lisp编程的重点、难点之一,有不少活跃在xdcad和明经通道论坛的高手为此写了不少有代表性的文字处理工具,比较知名的如: 。而我自己也写过不少这方面的程序,多数没有发表,少数零星地发布在以上两个论坛。但由于lisp对文本编辑(*注)的支持函数不够丰富,而实际工作中遇到的情况又多种多样,使得诸多lisp程序对文本编辑的深度和灵活性上还有很多不足之处,不免遗憾。
为此,我一直以来寻求更好的方法,最终只有一个答案:正则表达式。正则表达式对文本编辑很强,有多强?看看vb或vbs参考就知道,也可上网一搜。但是,也许本人孤陋寡闻(或是有的高手潜水潜得很深),在网上一直没有见过在lisp中比较充分地应用正则表达式的程序。其实,我很早就想将正则表达式移植到lisp里面来,近几日一鼓作气,终有小成。谨奉献两个函数:(xxexp)(xxexpr),这两个函数提供了正则表达式的接口,使在lisp中得以应用其强大的功能成为可能。
―――――梁雄啸.2007.7
*注:“文本”在本文均指对文本字符串内容,非指文本实体(0 . “*TEXT”)
函数下载地址: ys-c.ys168/?屠文双刀.rar_67el0c7bs5bt2bsp0crn1btrml0c2bk5btmn0cmqju14z97f14z
[函数介绍]
函数:(xxexp pat str key)
功能 对字符串进行正则表达式匹配测试.
参数: pat = 正则表达式模式 ,对应vbs正则表达式的模式(expression)。说明: \ 号要用 \\ 替代.
str = 字符串
key = "i" "g" "m" , "i"不区分大小写(Ignorecase),"g"全局匹配(Global).”m”多行模式(Multiline),以上几个关键字可以组合使用,或用 ””.
返回: 返回匹配的字符列表,或无一匹配返回nil
函数:(xxexpr pat str nstr key)
功能 对字符串进行正则表达式替换.
参数: pat = 正则表达式模式 ,对应vbs正则表达式的模式(expression)。说明: \ 号要用 \\ 替代.
str = 被替换字符串
nstr = 替换字符串
key = "i" "g" "m" , "i"不区分大小写(Ignorecase),"g"全局匹配(Global).”m”多行模式(Multiline),以上几个关键字可以组合使用,或用 ””.
返回 :返回替换后的字符串.
[正则表达式模式]
正则表达式核心就是其模式(expression),此部分资料可从网上或vb,vbs参考中得到。以下是vbs参考中关于模式的描述列表。在xxexp,xxexpr函数应用中,注意”\”符要按”\\”来写。
字符 | 描述 |
\ | 将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如,'n' 匹配字符 "n"。'\n' 匹配一个换行符。序列 '\\' 匹配 "\" 而 "\(" 则匹配 "("。 |
^ | 匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性,^ 也匹配 '\n' 或 '\r' 之后的位置。 |
$ | 匹配输入字符串的结束位置。如果设置了 RegExp 对象的 Multiline 属性,$ 也匹配 '\n' 或 '\r' 之前的位置。 |
* | 匹配前面的子表达式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。 |
+ | 匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,}。 |
? | 匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。 |
{n} | n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。 |
{n,} | n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。 |
{n,m} | m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。 |
? | 当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串 "oooo",'o+?' 将匹配单个 "o",而 'o+' 将匹配所有 'o'。 |
. | 匹配除 "\n" 之外的任何单个字符。要匹配包括 '\n' 在内的任何字符,请使用象 '[.\n]' 的模式。 |
(pattern) | 匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到,在VBScript 中使用 SubMatches 集合,在 JScript 中则使用 $0…$9 属性。要匹配圆括号字符,请使用 '\(' 或 '\)'。 |
(?:pattern) | 匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如, 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。 |
(?=pattern) | 正向预查,在任何匹配 pattern 的字符串开始处匹配查字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如, 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ,但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。 |
(?!pattern) | 负向预查,在任何不匹配 pattern 的字符串开始处匹配查字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows",但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始 |
x|y | 匹配 x 或 y。例如,'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。 |
[xyz] | 字符集合。匹配所包含的任意一个字符。例如,'[abc]' 可以匹配 "plain" 中的 'a'。 |
[^xyz] | 负值字符集合。匹配未包含的任意字符。例如,'[^abc]' 可以匹配 "plain" 中的'p'。 |
[a-z] | 字符范围。匹配指定范围内的任意字符。例如,'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。 |
[^a-z] | 负值字符范围。匹配任何不在指定范围内的任意字符。例如,'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。 |
\b | 匹配一个单词边界,也就是指单词和空格间的位置。例如, 'er\b' 可以匹配 "never" 中的 'er',但不能匹配 "verb" 中的 'er'。 |
\B | 匹配非单词边界。'er\B' 能匹配 "verb" 中的 'er',但不能匹配 "never" 中的 'er'。 |
\cx | 匹配由 x 指明的控制字符。例如, \cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。 |
\d | 匹配一个数字字符。等价于 [0-9]。 |
\D | 匹配一个非数字字符。等价于 [^0-9]。 |
\f | 匹配一个换页符。等价于 \x0c 和 \cL。 |
\n | 匹配一个换行符。等价于 \x0a 和 \cJ。 |
\r | 匹配一个回车符。等价于 \x0d 和 \cM。 |
\s | 匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 |
\S | 匹配任何非空白字符。等价于 [^ \f\n\r\t\v]。 |
\t | 匹配一个制表符。等价于 \x09 和 \cI。 |
\v | 匹配一个垂直制表符。等价于 \x0b 和 \cK。 |
\w | 匹配包括下划线的任何单词字符。等价于 '[A-Za-z0-9_]'。 |
\W | 匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。 |
\xn | 匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,'\x41' 匹配 "A"。'\x041' 则等价于 '\x04' & "1"。正则表达式中可以使用 ASCII 编码。. |
\num | 匹配 num,其中 num 是一个正整数。对所获取的匹配的引用。例如,'(.)\1' 匹配两个连续的相同字符。 |
\n | 标识一个八进制转义值或一个向后引用。如果 \n 之前至少 n 个获取的子表达式,则 n 为向后引用。否则,如果 n 为八进制数字 (0-7),则 n 为一个八进制转义值。 |
\nm | 标识一个八进制转义值或一个向后引用。如果 \nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。如果 \nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足,若 n 和 m 均为八进制数字 (0-7),则 \nm 将匹配八进制转义值 nm。 |
\nml | 如果 n 为八进制数字 (0-3),且 m 和 l 均为八进制数字 (0-7),则匹配八进制转义值 nml。 |
\un | 匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如, \u00A9 匹配版权符号 (©)。 |
[实战]
也许只有通过一些实例,大家才真正知道正则表达式的强大。有的功能是仅仅用lisp提供的函数很难或无法做到的,而在这里,可一一化解。
1. 汉字和非汉字提取
先来点简单的,好让大家进入状态,虽然简单,但是在论坛上是经常被问到的问题:
·;;提取汉字及空格。
;每字分断,汉字按1个字.
(xxexp "[^!-~]" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回: (" " "测" "π" "啊" "少" "数" "★" "正" "确")
;连字不分断.
(xxexp "[^!-~]+" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回:(" 测π啊" "少" "数★" "正" "确")
·;;提取汉字
(xxexp "[^ -~]" "a 测π啊d4少1数★M=3;is=正,2确" "")
(xxexp "[^\\000-\\377]" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回: ("测" "π" "啊" "少" "数" "★" "正" "确")
(xxexp "[\\u0C04-\\uFFFF]" "a 测π啊d4少1数★M=3;is=正,2确" "")
;;返回: ("测" "啊" "少" "数" "★" "正" "确") ;;(注: 查到16进制汉字从\\u0C04开始,这个方法应该是最准确的.)
(xxexp "[^ -~]+" "a 测π啊d4少1数★M=3;is=正,2确" "")
(xxexp "[^\\000-\\377]+" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回:("测π啊" "少" "数★" "正" "确")
·;;提取非汉字
(xxexp "[ -~]" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回:("a" " " "d" "4" "1" "M" "=" "3" ";" "i" "s" "=" "," "2")
(xxexp "[\\000-\\377]+" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回: ("a " "d4" "1" "M=3;is=" ",2")
·;;提取字母及数字
(xxexp "\\w" "a 测regex匹配π啊d4少1数★M=3;is=正,2确" "")
;返回:("a" "d" "4" "1" "M" "3" "i" "s" "2")
·;;提取非字母及非数字
(xxexp "[^\\w]" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回:(" " "测" "π" "啊" "少" "数" "★" "=" ";" "=" "正" "," "确")
(xxexp "[^\\w]+" "a 测π啊d4少1数★M=3;is=正,2确" "")
;返回:(" 测π啊" "少" "数★" "=" ";" "=正," "确")
·;; 提取连续两个相同的字符
(SETQ S (xxexp "(.)\\1" "aa看看 测试\"M==33\";is=,,2" ""))
;返回: ("aa" "看看" "==" "33" ",,")
2. 字符串处理
看了上面的实例,大家也许有点兴趣了,好,接着来。
·;; 提取由分界符界定的字符,呵呵,这个是论坛上被编写的比较多的程序之一.
(xxexp "[^ ;,]+" "a 测试M=3;is=,2" "") ;;返回: ("a" "测试M=3" "is=" "2")
是不是很容易? 但这只不过是牛刀小试,现在才刚刚开始。
·拆分字符串,1个汉字算1个.
(xxexp "." "少1 ,至.2e-5a‖〉∑∵∩∪チネヒжъμㄜ啊d4少1数" "")
;返回: ("少" "1" " " "," "至" "." "2" "e" "-" "5" "a" "‖" "〉" "∑" "∵" "∩" "∪" "チ" "ネ" "ヒ" "ж" "ъ" "μ" "ㄜ" "啊" "d" "4" "少" "1" "数")
·按每两个字符进行分断。1个中文按1个计算。
(xxexp ".{2}" "aa 测试M==33;is=,,2" "")
;;返回: ("aa" " 测" "试M" "==" "33" ";i" "s=" ",,")
·;;在两个连续字符处分断.(包含指定的分界符,本例指"|")
(setq s1 "aa 测看看试M==33;is=,,2")
(xxexp "[^|]+" (xxexpr "(.)\\1" s1 "|" "") "")
;返回: (" 测" "试M" ";is=" "2")
·倒排文字(按字倒排,支持中文)
(setq str "The quick brown 啊 fox jumped 至 over ∑ the lazy dog.")
(apply 'strcat (reverse(xxexp "." str "")))
;返回: ".god yzal eht ∑ revo 至 depmuj xof 啊 nworb kciuq ehT"
(apply 'strcat (reverse(xxexp "." "i开头,跟至少1个s" "")))
;返回: "s个1少至跟,头开i"
·简单替换,(但是用lisp写也不见得简单J )
(setq str "IS11 is01 ISa1 iss11 id1 isss1 is1 IS1 ISa")
2.1 替换 is 为*,不分大小写
(xxexpr "is" str "*" "") ;-> "*11 *01 *a1 *s11 id1 *ss1 *1 *1 *a"
2.2 替换 i开头,跟s(至少1个)的字符 为*
(xxexpr "is+" str "*" "") ;-> "*11 *01 *a1 *11 id1 *1 *1 *1 *a"
2.3 替换 非数字和非空格 为*
(xxexpr "[^0-9 ]" str "*" "") ;->"**11 **01 ***1 ***11 **1 ****1 **1 **1 ***"
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。
发表评论