从 Latex 代码文件中提取所有 Latex 命令答案

【问题标题】：Extracting all Latex commands from a Latex code File从 Latex 代码文件中提取所有 Latex 命令
【发布时间】：2015-03-23 18:22:32
【问题描述】：

我正在尝试从 tex 文件中提取所有 Latex 命令。我必须为此使用 Python。我尝试使用 Re 模块提取列表中的乳胶命令。

问题在于该列表不包含名称中包含特殊字符（如\alpha*、\a'、\#、\$、+、:、\;等）的latex 命令。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“文档类”。但是假设有另一个命令，例如：

     "\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，尝试了各种方法，但无法提取所有这些命令名称。如果有一个通用的 python 正则表达式可以处理所有这些情况，那将会很有用。

注意：一本名为“The Not So Short Introduction to LaTeX”的书定义了 LaTeX 命令的格式可以分为三种类型 -

格式：

它们以反斜杠 \ 开头，然后具有由以下组成的名称仅限字母。命令名称以空格、数字或任何其他“非字母”。
它们由一个反斜杠和一个非字母组成。
许多命令存在于“星号变体”中，其中一个星号附加到命令名称中。

【问题讨论】：

似乎r'\\([a-zA-Z]+)(\*)?' 与re.findall 一起使用时差不多...
对于包命令，@ 是一个字母，但如果没有更大的文件上下文，您就无法捕捉到这种情况，即不能合理地使用正则表达式。
\abstract*[alpha]{beta} 实际上是命令\abstract 带有三个参数，星号本身，可选的第二个参数和用大括号括起来的普通参数，那么为什么要使用第一个参数，如果它是星号而不是其他地方？

标签： python regex latex

【解决方案1】：

这是您的格式规范的准确翻译：

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

Demo

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

如果您的格式描述准确，应该这样做。不幸的是，我不知道 LaTeX，所以我不确定它是否 100% OK。

从 cmets 中的反馈来看，星号仅适用于字母命令，还可以有其他一些终止字符。最终的正则表达式是：

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

【讨论】：

+1 没有标准的单字符命令带有星号变体（据我所知），所以\\(?:[^a-zA-Z]|[a-zA-Z]+\*?)（未选中）也可以工作。还有各种其他情况（TeX 的标记器是……特殊的），但这应该会在“正常”文档中获得大多数命令，很少有误报。
谢谢。对此表示赞同。这似乎在大多数情况下都有效，除了一种。只有一种特殊类型的案件没有被处理。我们有某些以字母开头并以不同于星号的非字母结尾的乳胶命令。例如，“\a=”、“\a'”等。如果你能想到稍微修改的正则表达式，那就太好了。
@shanu 当然，如果您有可能的字符列表，则很容易修改。 \\(?:[^a-zA-Z]|[a-zA-Z]+[*=']?) 将与您在评论中提到的人一起使用。
太棒了。现在完美运行。谢谢。
从 The TeX book 开始，并且有人在此处包含，多字母命令后面的空格必须包含在命令名称中（用于分隔目的，而不是用于匹配命令名称) 因此，您的正则表达式会以\begin {} 之类的形式失败。更好的正则表达式是：\\([A-Za-z]+ *|.|\n)。但是要小心重音字符之类的命令，因为它们看起来有点像Espa\~nol，你会得到不希望的效果。带星号的命令在\LaTeX 中被视为第一个参数是星号。为什么实际上你想消除 \LaTeX 的东西？

【解决方案2】：

LaTeX 是一个 TeX 宏包，因此，适用于 TeX 的所有内容也适用于 LaTeX。

您提出的问题很困难，因为 TeX 不是常规语言。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，即只有在场就像一个命令。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 使用与上下文无关且不规则的大括号匹配，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）（这发生在包定义中，其中@ 用作字母，以便能够发出用户无法访问但在包内可用的命令）

由于这个原因，消除 LaTeX 标记是一件困难的事情，而且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）

另外，你必须小心，如果你试图消除命令参数，你也会消除部分文本（例如\footnote、\abstract、\title、@987654331 中的文本@等）我不知道你真正想要得到的效果，所以我不能给你更多这方面的信息。

【讨论】：