Question

我正在尝试从tex文件中提取所有乳胶命令。我必须使用Python。我尝试使用Re模块在列表中提取latex命令。

问题是此列表不包含名称中包含特殊字符的乳胶命令（例如\ alpha *，\ a'，\＃，\ $，+，：，\;等）。它只包含由字母组成的乳胶命令。

我目前正在使用re.match python命令：

    "I already know the starting index of '\' which is at self.i.
     The example Latex code string could be:
     \documentclass[envcountsame,envcountchap]{svmono}"

     match_text = re.match("[\w]+", search_string[self.i + 1:])

我能够提取'documentclass'。但是假设有另一个命令，如：

     "\abstract*[alpha]{beta}"
     "\${This is a latex document}"
     "\:"

如何从这些字符串中仅提取'abstract *'，'$'，'：'？

我是Python新手并尝试了各种方法，但无法提取所有这些命令名称。如果有一个普通的python正则表达式可以处理所有这些情况，那将是有用的。

注意：一本名为“不那么简短的LaTeX简介”的书定义了LaTeX命令的格式可以有三种类型 -

格式：

他们以反斜杠\开头，然后命名为只有字母。命令名称由空格，数字或终止任何其他'非信。'
它们由反斜杠和正好一个非字母组成。
“星号变体”中存在许多命令，其中星号附加到命令名称。

Answer 1

以下是您的格式规范的确切翻译：

\\(?:[^a-zA-Z]|[a-zA-Z]+)\*?

Demo

非信件：[^a-zA-Z]
或字母：[a-zA-Z]+
已加星标的变体：\*?

如果您的格式描述准确无误，那么应该这样做。不幸的是，我不认识LaTeX，所以我不确定它是否100％正常。

根据评论中的反馈，事实证明星号仅适用于字母命令，并且还可以存在一些其他终止字符。最终的正则表达式是：

\\(?:[^a-zA-Z]|[a-zA-Z]+[*=']?)

Answer 2

LaTeX是一个TeX宏程序包，因此，适用于TeX的所有内容也适用于LaTeX。

你问的问题很难，因为TeX不是常用语言。如果您只想处理命令，则必须检查\\([A-Za-z]+ *|.|\n)正则表达式（请参阅demo），并注意在TeX中您有活动字符，即唯一存在就像命令一样的字符。如果要处理命令参数，则必须检查各个命令定义，因为TeX是波兰表示法（运算符或命令是前缀，具有可变数量的位置参数）语言。对于参数提取，TeX使用大括号匹配，它不受上下文限制，因此您需要一个完整的解析器。

TeX允许您重新定义所有字符类，因此您可以重新定义数字以充当字母，并可用作命令名称（例如\a23是一个有效的命令名称）（这发生在包内定义，其中@用作字母，以便能够生成用户无法访问但在包内可用的命令）

出于这个原因，消除LaTeX标记是一件困难的事情，您只能获得部分结果。有许多不同的问题需要解决（如何处理\include指令，如何处理\chapter参数或\footnote等参数中的有效文本，您希望包含索引等。）

此外，您必须小心，就像您尝试消除命令参数一样，您也将删除部分文本（例如\footnote中的文字，\abstract，{{ 1}}，\title等）我不知道你真正想要的效果，所以我不能在这方面给你更多的信息。

从Latex代码文件中提取所有Latex命令

2 个答案: