Tfcra_Weblog

Well come to computer world of TFCRA!!!

[PR]

2025/01/18 (Sat)

[PR]上記の広告は3ヶ月以上新規記事投稿のないブログに表示されています。新しい記事を書く事で広告が消えます。

　　以前在无聊的时候，偶尔会从网上下载点恐怖小说寻求一下刺激。自从第一次下载阅读开始，就一直有一件事令我感到非常的恶心：小说网站的站长为了让读者能够记住自己的网站地址，会在txt或者其他格式的文档里，重复不断的写进自己的网站域名和网站名称，我个人认为这就是在做广告。（当然了，也可能是站长为了防止自己辛苦收集的文字被别的网站轻易转载，而做的手脚），这里就以www.uutxt.com为例，请看下图：
去除小说垃圾信息（广告）正则表达式

怎么样，是不是觉得特别恶心？

作为读者，看到文章里有这种东西，那是多么的影响心情啊……
因为我比较喜欢免费且免注册的下载网站，而这个uutxt正好符合我的喜好，所以我经常从这里下载小说看。不过就像刚才我说的，我觉得这种做法非常恶心，所以我要调教它一下……

废话不多说，现在就开始，让我们再来看这幅图：
去除小说垃圾信息（广告）正则表达式

我们来寻找一下这些文字的规律：

最容易第一眼看到的，也是最直观的，字母有大小写，还有全角和半角字符。
字符的格式相对比较整齐。（我个人判断是使用某些自动化的程序完成的，处理文字的人只要设置好固定位置的字符范围，随机生成即可）
每一段的字符总长度都是一样的。

所以综上所述，我们就确定了基本的思路：使用正则表达式对其进行垃圾信息查找，并使用空字符进行替换。在这里，推荐一款正则表达式测试软件：RegEx Tester 它的使用非常简单，GUI上面只有三个方框，第一个用来输入正则表达式，第二个用来输入需要进行匹配的文本，第三个用来显示匹配结果。上面的图就是截取的匹配结果。

那么我们开始进行正则表达式书写，首先，我们先匹配字母形式的网址：
[UuＵｕ]+[TtＴｔ][ＸｘXx][TtＴｔ][\.\．\。][cCＣｃ][OoＯｏ][MmＭｍ]
我们在图中可以看到，字母有大小写和全、半角，而那个点，也有半角、全角以及用句号代替，三种写法。所以使用上面的正则表达式进行匹配比较合适。为什么要如此花时间在这些英文字符上呢？因为这些垃圾信息的格式相对比较整齐，所以，只要准确的定位了这些英文字符，就能更简单的处理汉字字符了。

把从uutxt.com下载的小说txt打开，全选，粘贴到RegEx Tester的第二个方框中，复制上面的正则表达式到第一个方框中，按下<F5>，可以看到，所有的网址都已经匹配完毕：
匹配网址

网址匹配好以后，我们就可以开始继续观察，网址的字符串，和它前后的汉字之间，有一个空格。那么我们再试：
\s[UuＵｕ]+[TtＴｔ][ＸｘXx][TtＴｔ][\.\．\。][cCＣｃ][OoＯｏ][MmＭｍ]\s
之后你会看到：
匹配空格加网址

感觉好像和上一幅图一样？其实字符串前后的空格已经被匹配上了，注意看首字母和Match的相对位置。

再进一步观察，字符串前面的空格前，有4个汉字，字符串后面的空格后面，有6个汉字。那么我们就再进一步：
.{4}\s[UuＵｕ]+[TtＴｔ][ＸｘXx][TtＴｔ][\.\．\。][cCＣｃ][OoＯｏ][MmＭｍ]\s.{6}

这时候，就可以匹配到全部的垃圾信息，你可以看到和第一幅图一样的情况，这条正则表达式就完成了，接下来，我们只要把那些文字替换掉就好，也许你需要Regex Buddy这样的软件来完成替换工作。不过那已经不重要了，前面正则表达式的编写思路才是最重要的。
使用Regex Buddy替换垃圾信息广告