Regex (TMS)

Obsah je strojově přeložen z angličtiny s použitím Phrase Language AI.

Regulární výraz (zkráceně regex nebo regexp) je posloupnost znaků, která tvoří vyhledávací vzor, hlavně pro použití při porovnávání vzorů s řetězci nebo při porovnávání řetězců. Funkcionalita je podobná operacím najít a Nahradit s větší složitostí a specifičností nebo jako metoda pro vyloučení definovaného obsahu. Viz položka wikipedia pro podrobný popis regulárního výrazu a tabulku použitých znaků.

Chcete-li použít více regulárních výrazů najednou, vložte mezi ně znak roury |.

Regulární výraz lze použít v polích pro filtrování, vyhledávání a Nahradit v CAT Editoru, ve zdrojových a cílových polích funkce vyhledávání obsahu, pro funkci převést na tagy v nastavení importu souborů a pro přizpůsobení pravidel segmentace. Převodník a CAT Desktop Editor používají Java regex, zatímco CAT Web Editor a vyhledávání v TMS používají nástroj Lucene regex.

Tip

Chatboti umělé inteligence mohou být při generování a ověřování regulárního výrazu velmi efektivní.

Použijte Nástroje jako Regex101 k testování regulárního výrazu s různými vstupy.

Důležité

Phrase podporuje Java regex, ale složité regulární výrazy vrátí, aby chránil systém před přetížením. Složité regulární výrazy jsou ty s kvantifikátory (kromě posesivních) u skupin, které obsahují další kvantifikátory (kromě posesivních).

Obecné příklady

Příklady pro převod textu na tagy při importu souborů a použití regulárního výrazu v desktopovém editoru pro filtrování a funkce Nahradit:

Příklad	Popis
<[^>]+>	představuje <html_tag>
\{[^\}]+\}	představuje {variable},
\[[^\]]+\]	představuje [variable],
\[\[.+?\]\]	představuje [[aa[11]bb]].
\$[^\$]+\$	represents $operator_Name1$.
\d+	představuje čísla. Také [0-9]+
[A-Za-z0-9]	představuje jakýkoli alfanumerický znak.
.+\\@.+\\..+	e-mailová adresa name@doména.com
\d{4}[-]\d{2}[-]\d{2}	datum 2018-08-01
\\s$	mezera na konci segmentu
^\s	mezera na začátku segmentu
\\s\\s	dvojitá mezera
^\\d	číslice na začátku segmentu
\w+\s\s\w+	dvojitá mezera mezi slovy
\s\n	nový řádek předcházený jakýmkoli znakem mezery
\S\n	nový řádek předcházený jakýmkoli znakem, který není Space
<[^>]+>\|\$[^=]+=	převede proměnné php a kód html ($svariable['name'] =)
^\s*\'[^:]+:	převede klíč pole javascriptu s přidanými Space na začátku řádku ( 'klíč' :)
\{\{[^\}]+\}\}\|\'[^']+\'	nepřekládá obsah {{text here}} '{{text here}} a převede jej na značky
\{\{[^\}]+\}\}	představuje text mezi závorkami {{}}
$[^$]+\)	představuje text mezi závorkami ()
\^[^\^]+\^	představuje text mezi značkami ^
\@[^\@]+\@	představuje text mezi značkami @
\^[^\^\?]+\?	představuje text mezi značkami ^ a ?
\'[^']+\'	představuje text mezi apostrofy ' '
\"[^\"]+\"	představuje text mezi uvozovkami \"\"
\%[^\%]+\%	představuje text mezi symboly %
\$\{[^}]*\}	představuje text mezi ${ a }, např. ${variable}
\$[a-zA-Z0-9\-_]+	představuje řetězec, který začíná $, např. $appName
(?<=\: ").*(?=")	představuje text uvnitř dvojitých uvozovek za dvojtečkou a Space, např. `value` v řetězci `\"klíč\": \"value\"`
(?<=\\: ').*(?=')	představuje text v jednoduchých uvozovkách za dvojtečkou a mezerou, např. `JohnDoe` v řetězec `uživatel: 'JohnDoe'`
(?<=\=).*(?=)	představuje text za rovnítkem a bez mezery, např. klíč=hodnota
(.*)=	představuje text před rovnítkem
=(.*)	představuje text za rovnítkem
\/\/\S*	představuje hypertextové odkazy. Také, https:\/\/\\S*
</?mrk[^>]*>	představuje HTML/XML otevřené a zavřené `mrk` značky, např. <mrk id=\"abc\"> a </mrk>

TXT import

Poznámka

Protože se soubory TXT v TMS zpracovávají řádek po řádku, některé regulární výrazy, které fungují v jiných prostředích, nemusí fungovat podle očekávání.

Příklady regulárních výrazů při import textu:

## ErrorMessage ##1## Číslo musí být vyšší než 0. ##Z##

Pro import text mezi ##1## a ##Z## ,použít regex: (?<=##1## ).*(?= ##Z##)
ErrorMessage (\"Číslo musí být vyšší než 0.\")

Pro import text mezi (\" a \") , použít regex: (?<=\$\").*(?=\"\$)
'errorMessage' = 'Číslo musí být vyšší než 0.'

Pro import text za znaménkem = a mezi ' a ' , použít regex: (?<=\\= ').*(?=')
errorMessage = \"toto má být přeloženo\"

Pro import text za znaménkem = a mezi 'a' použít regex: (?<=\\= \").*(?=\")
msgstr (\"Číslo musí být vyšší než 0.\")

Pro import Strings msgstr v monolingválních souborech Objednávka pomocí filtru TXT použijte regex: (?<=msgstr \").*(?=\")
# Poznámka: Toto je poznámka

Pro Vyloučit řádky začínající # , použijte regex: (^[^#].*)
hodnoty '126', 'DCeT', 'Text (en)'

Pro import pouze text v uvozovkách a s (en), jako je Text (en)' použijte regex: (?<=')[^']*\$en\$(?=')

Import JSON

Příklad struktury JSON:

{
"seznam": {
        "id": "1",
        "value": "text 1 for translation."
        },
"text": {
        "id": "2",
        "value": "text 2 for translation."
        },
"menu": {
        "id": "3",
        "value": "text 3 for translation."
         },"array": ["blue","green"],"arrays": [{        "color": "blue",        "title": "BLUE"
         },         {        "color": "green",        "title": "GREEN"         }    ]}

pro import každé hodnoty bez ohledu na úroveň použijte: (^|.*/)value
pro import pouze jedné hodnoty ze seznamu použijte: list/value
pro import hodnoty ze seznamu a/nebo menu použijte operátor | (NEBO): list/value|menu/value
pro import pouze prvního výskytu hodnoty z menu použijte: menu\\[1\\]/value
pro import obsah JSON pole následujícího po určitém klíči použijte: (^|.*/)array\\[.*\\]
pro import obsah konkrétního pole objektů použijte: (^|.*/)arrays\\[.*\\].*

Import YAML

Příklad souboru YAML:

title: A
text: translate A
categories:
  title: B
  text: translate B
categories:
  title: C
  text: translate C
categories:
  content:
      title: D
      text: translate D

regex pro import:

pouze 'translate A' : text
pouze 'přeložit C': kategorie\\[2\\]/text
pouze 'přeložit D': kategorie\\[\\d+\\]/obsah[\\1\\]/text
veškerý text: text|kategorie\\[\\d+\\]/text|kategorie\\[\\d+\\]/obsah[\\d+\\]/text

Pravidla segmentace

Okapi, Java a Unicode se používají pro pravidla segmentace v souborech .SRX.

Použití regulárních výrazů v souborech .SRX je složité a před pokusem o práci s nimi se doporučuje základní znalost použití regulárních výrazů.

Pravidla pro nezalamování (zkratky atd.) a pravidla pro zalamování (konec věty s tečkou atd.) jsou v souborech .SRX.

Příklad	Popis
[\p{C}]	Neviditelný řídicí znak.
[\p{Z}]	Mezera
[\p{Lu}]	Velké písmeno, které má malou variantu.
[\p{N}]	Jakýkoli druh číselného znaku.
\\Q ... \\E	Začátek a konec citace - (\\QApprox.\\E). Toto se používá pro zkratky.
\t	Tabulátor
\n	Nový řádek
\u2029	Oddělovač odstavců
\u200B	Space s nulovou šířkou
\u3002	Ideografická tečka
\ufe52	Malá tečka
\uff0e	Tečka s plnou šířkou
\uff61	Ideografická tečka s poloviční šířkou
\ufe56	Malý otazník
\uff1f	Otazník s plnou šířkou
\u203c	Dvojitý vykřičník
\u2048	Otazník s vykřičníkem
\u2762	Ozdobný tučný vykřičník
\u2763	Ozdobný tučný vykřičník se srdcem
\ufe57	Malý vykřičník
\uff01	Vykřičník s plnou šířkou
`[\\u0080-\\uFFFF]+`	Znaky z rozsahu Unicode \\u0080 až \\uFFFF
`[\u00a8\u00b9\u00c4]+`	Jeden nebo více výskytů zadaných znaků Unicode uvnitř hranatých závorek, např. \\u00a8 + \\u00b9 + \\u00c4

Běžné vlastní QA kontroly

Kontrola QA	Zdrojový regulární výraz	Cíl regex
Další čísla v cíl	`\d`	`\d`
Objednávka tagů (nepárové, pro segmenty se 3 tagy). Upravit regex podle požadovaného počtu tagů.	`^.\{1\}.\{2\}.\{3\}.$`	`^.\{1\}.\{2\}.\{3\}.$`
Objednávka tagů (párové, pro segmenty se 3 tagy). Upravit regex podle požadovaného počtu tagů.	`^.\\{1\\>.\\<1\\}.\\{2\\>.\\<2\\}.\\{3\\>.\\<3\\}.*$`	`^.\\{1\\>.\\<1\\}.\\{2\\>.\\<2\\}.\\{3\\>.\\<3\\}.*$`
Space před tagy	`\s(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})`	`\s(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})`
Space za tagy	`(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})\s`	`(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})\s`
Žádný Space před tagy	`\S(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})`	`\S(\{[1-9][0-9]\}\|\{[1-9][0-9]>\|<[1-9][0-9]*\}\|\{[biu_\^]{1,4}>\|<[biu_\^]{1,4}\})`
Znaky bez mezer za párovými tagy	`((\{[1-9][0-9]>)\|(<[1-9][0-9]\}))\S`	`((\{[1-9][0-9]>)\|(<[1-9][0-9]\}))\S`
Chybějící hranaté závorky	`[^\[\]]\[[^\[\]]\][^\[\]]*`	`[^\[\]]\[[^\[\]]\][^\[\]]*`
Chybějící kulaté závorky	`[^]$[^\($]\)[^]*`	`[^]$[^\($]\)[^]*`
Použít následující regulární výrazy ke kontrole stejného počtu identických desetinných čísel, za použití příslušného jazyk specifického desetinného oddělovače.	`(?<;n1>;\d+)\.(?<;n2>;\d+)`	`(?<;n1>;\d+),(?<;n2>;\d+)`