替换所有“\” *不在“”内的字符标签

Question

首先，首先： 这个，这个、这个也不是这回答了我的问题。那我就开一个新的吧。

请阅读

好吧好吧。我知道正则表达式不是解析一般 HTML 的方法。请注意，创建的文档是使用有限的、受控的 HTML 子集编写的。编写文档的人知道他们在做什么。他们都是IT专业人士！

考虑到受控语法，可以使用正则表达式解析我这里的文档。

我并不是想从网络上下载任意文档并解析它们！

如果解析确实失败，则文档将被编辑，因此它将进行解析。我在这里解决的问题比这更普遍（即不替换其他两个模式中的模式）。

一点背景知识（您可以跳过这个......）

在我们的办公室，我们应该“漂亮地打印”我们的文档。因此，有些人想出了将所有内容都放入 Word 文档中的原因。值得庆幸的是，到目前为止我们还没有完全做到这一点。而且，如果我完成了这件事，我们可能就不需要了。

当前状态（...以及这个）

文档的主要部分存储在 TikiWiki 数据库中。我创建了一个愚蠢的 PHP 脚本，它将文档从 HTML（通过 LaTeX）转换为 PDF。所选维基系统必须具备的功能之一是所见即所得编辑器。正如预期的那样，我们得到的文档的 DOM 不太正式。

因此，我使用“简单”正则表达式来音译该文档。到目前为止，一切（大部分）都运行良好，但我遇到了一个我自己还没有解决的问题。

问题

一些特殊字符需要用 LaTeX 标记替换。例如， \ 字符应替换为 $\backslash$ （除非有人知道其他解决方案？）。

例外在逐字块中！

我确实用 verbatim 部分替换 标签。但如果此 code 块包含反斜杠（如 Windows 文件夹名称的情况），脚本仍会替换这些反斜杠。

我认为我可以使用负 LookBehinds 和/或 LookAheads 来解决这个问题。但我的尝试没有成功。

当然，如果我有一个真正的解析器会更好。事实上，它是我的“大脑路线图”上的东西，但它目前超出了范围。该脚本对于我们有限的知识领域来说足够有效。创建一个解析器需要我从头开始。

我的尝试

示例输入

The Hello \ World document is located in:
<code>C:\documents\hello_world.txt</code>

预期输出

The Hello $\backslash$ World document is located in:
\begin{verbatim}C:\documents\hello_world.txt\end{verbatim}

这是迄今为止我能想到的最好结果：

<?php
$patterns = array(
    "special_chars2" => array( '/(?<!<code[^>]*>.*)\\\\[^$](?!.*<\/code>)/U', '$\\backslash$'),
);

foreach( $patterns as $name => $p ){
    $tex_input = preg_replace( $p[0], $p[1], $tex_input );
}
?>

请注意，这只是摘录，并且 [^$] 是另一个 LaTeX 要求。

另一种尝试似乎有效：

<?php
$patterns = array(
    "special_chars2" => array( '/\\\\[^$](?!.*<\/code>)/U', '$\\backslash$'),
);

foreach( $patterns as $name => $p ){
    $tex_input = preg_replace( $p[0], $p[1], $tex_input );
}
?>

...换句话说：忽略了消极的回顾。

但这看起来比后向查找和先行查找更容易出错。

相关问题

您可能已经注意到，该模式是非贪婪的（/.../U）。那么，这会在 块内尽可能少地匹配吗？考虑环顾四周？

Answer 1

如果是我，我会尝试找到 HTML 解析器并使用它。

另一种选择是尝试将字符串分成 .*? 和其他部分。

并将更新其他部分，并将重新组合它。

$x="The Hello \ World document is located in:\n<br>
<code>C:\documents\hello_world.txt</code>";

$r=preg_split("/(<code>.*?<\/code>)/", $x,-1,PREG_SPLIT_DELIM_CAPTURE);

for($i=0;$i<count($r);$i+=2)
    $r[$i]=str_replace("\\","$\\backslash$",$r[$i]);

$x=implode($r);

echo $x;

这是结果。

The Hello $\backslash$ World document is located in: 
C:\documents\hello_world.txt

抱歉，如果我的方法不适合您。

Answer 2

我认为我可以使用负 LookBehinds 和/或 LookAheads 来解决这个问题。

你算错了。 正则表达式不能替代解析器< /a>.

我建议您通过 htmltidy 管道传输 html，然后使用 dom 解析器读取它，然后将 dom 转换为您的目标输出格式。有什么阻碍你走这条路吗？

Answer 3

解析器 FTW，好的。但是，如果您无法使用解析器，并且您可以确定 标记永远不会嵌套，您可以尝试以下操作：

1. 查找 <文件的 ;code>.*? 部分（可能需要打开点匹配换行模式）。
2. 将该部分中的所有反斜杠替换为 #?#?#?# 等独特内容 将
3. 1 中找到的部分替换为新部分
4. 将所有反斜杠替换为 $\backslash$
5. 替换als 与 \begin{verbatim} 以及所有 与 \end{verbatim} code>
6. 将 #?#?#?# 替换为 \

仅供参考，PHP 中的正则表达式不支持可变长度后向查找。因此，这使得两个边界之间的条件匹配变得困难。

Answer 4

Pandoc? Pandoc 在多种格式之间进行转换。您还可以将一堆苍蝇连接在一起然后隐藏它们。也许一些 shell 脚本与您的 php 抓取脚本相结合？

使用“预期输入”和命令 pandoc -o text.tex test.html ，输出为：

The Hello \textbackslash{} World document is located in:
\verb!C:\documents\hello_world.txt!

pandoc 可以从 stdin 读取、写入 stdout 或直接通过管道传输到文件中。

Answer 5

假设您的 块未嵌套，则此正则表达式会在 ^ 字符串开头或 之后找到反斜杠code> 之间没有 。

((?:^|</code>)(?:(?!<code>).)+?)\\
    |            |              |
    |            |              \-- backslash
    |            \-- least amount of anything not followed by <code>
    \-- start-of-string or </code>

并将其替换为：

$1$\backslash$

您必须在“单行”模式下运行此正则表达式，因此 . 匹配换行符。您还必须多次运行它，指定全局替换是不够的。每次替换只会替换字符串开头或 之后的第一个符合条件的反斜杠。

Answer 6

基于 HTML 或 XML 解析器编写解析器，例如 DOMDocument。遍历解析后的 DOM，并将不是 code 节点后代的每个文本节点上的 \ 替换为 $\backslash$ 和每个节点这是一个带有 \begin{verbatim} … \end{verbatim} 的 code 节点。