大家來學VIM（一個歷久彌新的編輯器）[十]

規則表示式的運用

 

在本系列文章一開始就說明了學 vi(m) 可以順便學規則表示式（regular expression，以下簡稱 regexp），那為什麼到現在才來講呢？因為 regexp 說簡單也算不很難，但您要深入去使用的話，有時會馬上看不出一個複雜的 regexp 在說些什麼的，就曾有人形容 regexp 為「有字天書」！而且在 vi(m) 整體都還沒一個概念就加入 regexp 的話，那後面的單元恐怕就沒人看了！而 regexp 各家有各家的 extensions，這也是大家視為畏途的原因之一，不過總是大同小異，只需注意一下就可以了。目前先不必管別家怎麼說，就讓 vim 暫時先成為我們的「標準」，以後碰到其它程式的 regexp 應該就可以觸類旁通。以下我們盡量由實例去瞭解。當然，小小的一篇文章是沒有辦法詳盡介紹，只能撿重點來說明了。如有疑問，可 :h pattern 或在 Un*x 系統中可 man 7 regex，甚至 man ed，man sed，man grep，man awk，man perlre 裡面也是會說些 regexp，但要注意和 vim 差異的地方！其中 perl 的 regexp 應該是最完整的了，如果您的系統沒有 perl 那應該是「稀有動物」了！:-) ㄟㄟㄟ！vim 只是一個編輯器，可不是獨立的程式語言！

 

 

基本的匹配

*  指前所綁住的字元或字元集合，出現 0 次或 0 次以上。
\+ 和 * 作用相同，但不包括出現 0 次。
\= 指前所綁住的字元恰好出現 0 或 1 次。
\| 這是多選，就是 or 的意思，被 \| 隔開的 pattern，任一個符
   合的話就算符合。

• \+, \=, \| 會加上一個 \，是因原字元在 vi(m) 就具有特殊意義，在一般的 regexp 中是 +，?，| 就可以了，只是提醒您一下，以免搞混了！
• 記住 *　\+ 是不可數的！用辭不是是精確，只是幫助您記憶啦！
• 在 elvis 及 ed 中是使用 \? 來匹配出現 0 或 1 次，而不是 \=，這裡要非常小心！

[實例] dg*
指 * 前所綁住的字元 g 出現 0 次或 0 次以上。也就是說 d(出現 0 次)，dg，dgggg，dgggggggg 都是符合這個 pattern。如果您下尋找指令 /dg*，那符合這個 pattern 的字串都會被找出來。如果用在代換就要非常小心了，像 extended 中的 d 也是會被置換掉的。例如您下 :%s/dg*/test/g 的話，那 extended 這個字會換成 extentestetest。

• shell 中使用的通用字元為 pattern matching notation 和 regexp 不同的。dg* 在 shell 中是解為以 dg 開頭的任意字串，這就不包括 d 在內了，也就是說在 shell 中，* 是代表任一字元或字串。

[實例] dg\+
dg, dgg, dgggggg 皆符合，但 d 則不符合。如果是 dg\= 的話，就只有 d、dg 這兩個符合了。

[實例] :%s/The\|All/test/g
全文中只要是 The 或 All 都會被替換成 test。注意，如果文中有 There 也是會被替換成 testre！要如何避免這種情形呢？下面會另述及限定使用法。

[實例] /123-\=4567
這樣會找出，123-4567 及 1234567。當然 123-456789 也是會被找出來。

[...]  字元集合，表示中括號中所有字元中的其中一個。
[^..]  這是上述 [...] 的補集，表非中括號內字元的其中一個。
.      除換行字元外的任一單一字元。指本身，非指前所綁之字元。
       就好像 shell 中的 ? 一樣。如果要指定真正的英文句點，要
       用 \ 來 escape，就是說 \. 這時的 . 是代表真正句點，而不
       是 regexp 中的特殊意義。其他如 \* 亦同。

[實例]

[實例] W[0-9]*\.cc
這個例子是說以 W 開頭，後接 0-9 其中一個或多個數目字或不接什麼，然後是一個句點，最後是 cc。所以 W.cc，W1.cc，W2.cc，W345.cc，W8976543287.cc 皆符合。如果要表示 W 及 .cc 間夾一個以上的數目字，要寫成 W[0-9][0-9]*\.cc。

[實例] .*
這代表任意字元或字串，或什麼都沒有，腦筋急轉彎，對照前面的定義想一下。當然這是不包括換行字元的。

[實例]
[^M]　表除 M 以外的任意字元。
[^Tt]　表 T 及 t 以外的任意字元。
[^0-9]　表非數目字之字元。
[^a-zA-Z]　表非英文字母之字元。

• 注意，^ 要在中括號內，且在最開頭的地方，否則另有含意。

^  匹配行首，指其後綁住的字串，出現在行首才符合。
$  匹配行尾，指其前綁住的字串，出現在行尾才符合。含換行字元。

• 不是在行首的 ^ 指的是 ^ 這個字元。不是在行尾的 $ 是指 $ 本身這個字元。

[實例] /^What
這樣只有在行首的 What 才會被找出來。注意！ Whatever, What's 也是會被找出來。如果是 /What$ 則是在行尾的 What 才會被找出來。

[實例] ^$
這是什麼東東？行首也是行尾的行。ㄚ，就是空白行嘛！當然也不能說這個行是沒有什麼東東啦！空白行至少也是會有個換行字元。在後面會詳述如何消除全文的空白行。

\(...\)  記憶 pattern，可由 \1, \2...\9 來叫出。

[實例] :%s/\([a-z]\)\1/test/g
這樣 aa, bb, cc, dd, ..., zz 都會被 test 替換掉。這和 :%s/[a-z][a-z]/test/g 是不一樣的意思，後者會把 aa, ab, ac... ba, bb, bc...zz 都換成 test。也就是說 \(...\) 由 \1 叫出時會有對稱性的配對出現。

[實例] :%s/\(.\)\(.\)r\2\1/test/g
會將中間為 r，前有二個任一字元，後有兩個具對稱性的字元所組成的字串替換成 test。\2 是呼叫第二組 \(.\)，而 \1 是呼叫第一組 \(.\)。例如：12r21，cfrfc，7grg7 等都會被替換成 test。

\<  匹配字（word）首。所謂 word 包括文數字及底線。
\>  匹配字尾。這就是前所提及的限定用法，被 \<，或 \> 括住的
    pattern 就會被限制住，使 regexp 不能再向右（左）擴充解釋。

• ed 及 perl 中可以 \b 來表示這兩個符號，perl 中只支援 \b，ed 則 \b 及 \<, \>皆支援。但在 perl 可多加個 ? 來限制 regexp 的擴充解譯。
• 功能上而言，這是和 ^ $ 一樣的定位樣式（anchor pattern）指所綁住的字串必須是單字邊界（word boundary），前或後或前後除了空白字元及標點符號外不可再有其它字元。
• 在 vim 中 \b 是表示 <BS> 即 backspace 鍵。

[實例] :%s/\<abbbc\>/test/g
這樣只有 abbbc 才會被替換成 test。如果沒有這樣限定，:%s/abbbc/test/g，那 deabbbcly 中的 "abbbc" 亦會被替換成 test。所以前面 :%s/The\|All/test/g 可換成 :%s/\<The\>\|\<All\>/test/g 這樣一來，There 就不會被替換成 testre 了！

[實例] :%s/\<abbbc/test/g
這樣的話，只要是以 abbbc 為首的字(word)，其中的 abbbc 的部份都會被 test 所替換。注意！是指字首，而不是指行首。所以 abbbc，abbbcerd，abbbckijuds 都符合。

\{n,m}  指前所綁住的字元或字元集合最少出現 n 次，最多出現 m 次。

• 這在一般的 regexp 表示成 \{n,m\}。vim 及 elvis 兩種表示法皆支援。perl 則直接使用 {}。以下會舉四種不同的例子，請大家發揮一下想像力。:-)

[實例] \{最小值，最大值}
如 [0-9]\{3,4} 匹配至少三位數，但不可多於四位數的數目字。如：

  123
  12
  1
  123456
  1234567
  12345678
  1234
  12345

如果下 :%s/[0-9]\{3,4}/test/g 的話，那 1，12 這兩組不會被替換，因為不滿 3 位數。而 12345，則會換成 test5。123456，則會換成 test56。12345678，則會換成 testtest。1234567 也是會換成 testtest。123，1234 這兩組則會被替換成 test。您可以親自操作一次就知道怎麼一回事了。操作時最後加 gc 來 confirm，這樣您會更瞭解實際替換的內容。ㄟ，別忘了 u 可以回複您的編輯動作。

[實例] \{數目字}
xy\{20}　表示 x 後接 20 個 y。
e[x-z]\{4}　表示 e 後接有四個字元，是 x,y,z 的其中一個的
　　　　　 組合。如：exxxx, exyyz, ezzyz, exyzz 皆符合。

[實例] \{最小值，}
xy\{2,}　表 x 後接至少二個的 y。相當於 xyyy* 或 xyy\+ 。

[實例] \{，最大值}
xy\{,4}　表 x 後接至多四個或更少的 y （可能沒有）。
　　　　 因此 x, xy, xyy ,xyyy, xyyyy 皆符合。

 

中介字元（metacharacter, or character classes）

主要是簡化 regexp 的書寫。

\s  表空白字元，即 <Space> 或 <Tab>。

• 不含換行字元，這是編輯器的特性使然。在 perl 的 \s 是包含換行字元的。而且 vim 及 elvis 皆不支援 \n 這種換行中介字元。

\S  表非空白字元。
\d  表數目字（digits），即 [0-9]。
\D  表非數目字，即 [^0-9]。
\w  表一般字元（word character），包括底線。即 [0-9a-zA-Z_]。
\W  表非一般字元，即 [^0-9a-zA-Z_]。
\a  表英文字母（alphabetic character），即 [a-zA-Z]。
\A  表非英文字母，即 [^a-zA-Z]。
\l  表小寫字母（lowercase character），即 [a-z]。
\L  表非小寫字母，即 [^a-z]。
\u  表大寫字母（uppercase），即 [A-Z]。
\U  表非大寫字母，即 [^A-Z]。

• 原始 vi 不支援此種中介字元。
• 使用中介字元的比對速度將會比使用字元集合 [] 的快。

 

全域性的指令

:[range]g/pattern/[cmd]

cmd 是 ed 可用的指令，預設是 p(print)，您可查一下 man ed，就可以知道有什麼指令可用。這個小節裡主要是說明 d(delete) 的功能。因為是要說明如何消除空白行。需注意的是，d 是行刪除指令，凡含 pattern 的整行都會被刪掉，而且 range 不指定的話，預設是全篇文章，因為 g 就是代表 globe。

• 在 vim 的 help 檔裡說的是 ex 指令，但 ex 實際上是和 vim 連結的，因此這裡特別指出 ed。但 ed 的指令少數可能會和 vim 的 ex 不同，這是因為 ed 和 vim 並非同步在發展，作者也非同一人。

:g/^$/d

這樣就會刪除全文的空白行。前面已提過 ^$ 代表的是空白行。但這裡有個問題，如果空白行裡包含了其它空白字元（即 Space 或 Tab）的話。表面看起來是和一般空白行一模一樣，但卻暗藏玄機，用上面的方法就無法刪除這種空白行了！怎麼辦？來！看招！

:g/^[<Space><Tab>]*$/d

在 vim 或 elvis 裡您可以如此照打，也就是 <Space> 代表空白字元，<Tab> 代表按 Tab 鍵的結果。在原始 vi 則不行，得自行按出特殊字元出來，就是 Ctrl-v Space 及 Ctrl-v Tab。或採更簡單的打法：

:g/^\s*$/d

還記得中介中元嗎？好用吧！少打了不少字。:-) 意思就是刪除含 0 或 1 個以上空白字元的行。

有些書中寫成 :%s/^$//g 可以刪除空白行，這是錯誤的，因為 :s 這個指令只更動一行裡的內容物，但不會做刪除一行的動作。

 

&替代變數

代表置換時合於 patern 的字元或字串。

[實例] :%s/\u\d\d\d\d\d\d\d\d\d\>/ID:&/g
這樣全文中的身份證字號前就會加上 ID: 字樣，也就是說 T123456789 會被換成 ID:T123456789。還記得嗎？ \d 就是 [0-9]，\u 代表大寫的英文字母。加個 \> 是防止 T12345678999 也被換掉。當然前面再加個 \< 更保險。ID: 字樣您用中文也行！
另一個好用的例子是電話號碼前加上 TeL:，就請您自行練習了！

[實例] 將檔案 3 至 7 行的資料向右移 2 個空白

  :3,7s/.*/  &/

但這樣連空白行也是會插入空白字元，較高明的做法是：

  :3,7s/.\+/  &/

這樣空白行就不會去動它了！想通了 .* 及 .\+ 的意思了嗎？往前翻一下 . * \+ 的定義。

[實例] 將檔案 3 至 7 行的資料向左移 2 個空白

  :3,7s/^  //

就是刪去行首的二個空白啦！

[實例] 將全文的 Edward 這個單字，前後加上中括號

  :%s/\<Edward\>/[&]/g

[實例] 將全文的 Edward 這個單字，改成大寫的。

  :%s/\<Edward\>/\U&/g

• ㄟ！\U 不是代表非大寫字母嗎？喔！您搞錯位置了。\U 在 pattern 的位置的時候是指非大寫字母的樣式，即 [^A-Z]，但如果是在置換字串位置的時候是指將其後的字串通通改成大寫。與其相對的是 \L，會將其後的字串改為小寫。詳細請 :h sub-replace-special。

[實例] 將全文每行最後加上 <BR> 這個 HTML tag。

  :%s/.*/&<BR>/g

怎麼樣，是否已感覺到 regexp 威力無窮了呢？還是您已經快睡著了呢？:-) 不過也請您想想，如果是在沒有 regexp 功能的編輯器裡，範例中的一些動作您會怎麼做呢？一個一個去改？

 

greedy 陷阱

regexp 會有貪心的傾向，什麼意思呢？就是說在同一行內，如果有多個符合 pattern 的情形，會找最長的那一個。

• 注意！greedy 的特性是針對會反覆比對的 regexp 而言，例如：*, \=, \+, \{} 等。前面所舉的 .* 的例子，由於 greedy 的關係，在整篇文章中做替換時，會被當成是每一行整行，因為 regexp 會去找每一行最長符合的那一個。

[實例] This is a test. Test for regexp.
如果您下 :%s/[Tt].*t/program/g 原意是想把所有的 Test 或 test 換成 program 的，結果由於 regexp 的貪心，整個 "This is a test. Test" 會換成 program。結果原文就變成了 program for regexp. 因此在全文替換時要非常小心，避免使用彈性太大的 regexp。像此例，只要下 :%s/\<[Tt]est\>/program/g 就可以了！

最後提醒您，這可不是 regexp 的全部，礙於篇幅及在下功力的問題，當然是沒辦法全面詳盡的向各位做介紹，在下只是將各位領進門，修行就得看各位了！如果還想更深入的研究 regexp，可參考： Mastering Regular Expressions(O'Reilly & Associates) 一書。