calibre 正则表达式完全指南：从入门到精通（附带源码级原理解析）

2026-09-11 17:30:35作者：温艾琴Wonderful

正则表达式（Regular Expression，简称 regexp）是 calibre 中一项贯穿电子书内容处理与元数据管理的核心工具。本指南基于 calibre 官方文档《All about using regular expressions in calibre》整理并深度扩充，覆盖转换时「搜索与替换」、文件名元数据识别、批量编辑元数据、编辑器与阅读器搜索等全部使用场景，从最基础的字面匹配、字符集、量词，一直讲到分组、反向引用、标志位以及 (*SKIP)(*FAIL)、\K、环视、递归等高级技巧。读完本文，你将能够亲手编写并验证自己的正则表达式，安全高效地完成电子书清理、元数据整理等实战任务。

一、先读这段：勇气与警告

这一章不可避免会有些技术性——毕竟正则表达式本就是用来做技术活的技术工具。文中会使用一些术语和概念，它们初看可能复杂费解，但请放心，每个新概念都会尽力解释清楚。

请不要被术语吓退。 正则表达式看起来像一串神秘莫测的“乱码”，但实际上它们并不复杂。即便是正则高手，阅读复杂表达式时也会头疼，但编写它并不难——关键在于一步一步地构造表达式。慢慢来，跟着一步步走进这个“兔子洞”。

二、calibre 中可以在哪些地方使用正则表达式？

calibre 在多个功能模块中内置了正则表达式支持，官方教程列出的主要场景包括：

使用场景	入口位置	主要用途
转换选项中的「搜索与替换」	转换（Conversion）对话框	在转换过程中批量修改电子书文本与结构
导入设置中的文件名元数据识别	设置 → 添加书籍（Adding books）	从文件名提取书名、作者等元数据
批量编辑元数据中的搜索与替换	选中多本书 → 批量元数据编辑	跨字段批量修正元数据
电子书编辑器的搜索与替换	编辑书籍（Edit book）工具	在 HTML 源码层面精确替换
书库搜索	图书列表搜索栏	用正则进行复杂检索
电子书阅读器内部搜索	E-book viewer 搜索面板	在阅读内容中搜索

其中转换「搜索与替换」的底层实现在 src/calibre/gui2/convert/search_and_replace.py，它定义了 SearchAndReplaceWidget 组件，包含"搜索正则表达式"与"替换文本"两列输入，并提供添加、删除、上下移动、加载/保存 .csr 规则文件等功能。

三、正则表达式到底是什么？

一个正则表达式是描述一组字符串的方式。单个正则表达式可以匹配多种不同的字符串——这正是它强大的原因：它是描述海量变体的一种简洁表达。

关于"字符串"的说明：这里沿用编程语言中的含义，即一个或多个字符的序列，包括文字、数字、标点以及所谓"空白字符"（换行、制表符等）。请注意，通常大写与小写字符被视为不同字符，例如 a 与 A 是两个不同的字符。

在 calibre 中，搜索栏里的正则默认不区分大小写，但转换选项中的正则默认区分大小写。有一种方法可以让所有正则都忽略大小写，稍后会讲到标志位（flags）时再说明。

最核心的概念

一个字符串本身就是匹配它自身的正则表达式。

如果要用正则匹配 "Hello, World!"，那么正则就是 Hello, World!——就是这么简单。但注意，它只能精确匹配 "Hello, World!"，不能匹配 "Hello, wOrld!"、"hello, world!" 之类的变体。

四、字符集（Sets）：匹配一组字符中的任意一个

还记得正则可以匹配多个字符串吗？现在进入正题。假设要转换的电子书有一个烦人的页脚"Page 5 of 423"，页码从 1 到 423，难道要写 423 个表达式？当然不用。

字符集（也叫字符类）允许你定义一个待匹配字符的集合：把想放入集合的字符放进方括号 [] 即可。例如：

[abc] 匹配字符 "a"、"b" 或 "c" 中的任意一个
[a-z] 匹配任意小写字母
[a-zA-Z] 匹配任意大小写字母

字符集永远只匹配集合中的一个字符。 字符集支持范围（range）语法。于是：

表达式 Page [0-9] of 423 能匹配前 9 页
表达式 Page [0-9][0-9] of 423 能匹配所有两位数页码
第三个表达式自然是 Page [0-9][0-9][0-9] of 423，覆盖三位数页码

常用字符集速查

集合	含义
`[0-9]`	单个数字
`[a-z]`	单个小写字母
`[A-Z]`	单个大写字母
`[a-zA-Z]`	单个字母
`[a-zA-Z0-9]`	单个字母或数字
`[^a]`	除 "a" 之外的任意字符（补集）

大小写敏感性提醒：启用"搜索不区分大小写"设置时，大小写集合可能同时匹配大小写。这类设置在 calibre 的偏好设置 → 搜索中，以及 E-book viewer 和 Edit book 的搜索面板上都有。

转义简写（Shorthand）

简写	等价于	含义
`\d`	`[0-9]`	一个数字
`\w`	`[a-zA-Z0-9_]`	一个"单词"字符
`\s`	任意空白字符	空格、制表符、换行、换页、回车、不换行空格等
`\D`	`[^0-9]`	任意非数字字符
`\W`	任意非单词字符	大写形式即补集
`\S`	任意非空白字符	大写形式即补集

"空白字符"（Whitespace）指所有不会被打印出来的字符，包括空格、制表符、换行符、换页符、回车符、不换行空格等。

补集（Complementing）

在集合的第一个位置放 ^，即可定义"除集合内字符之外的任意字符"：[^a] 匹配除 "a" 外的任意字符。转义简写同样可以用大写字母取补：\D 等价于 [^0-9]。

结合这一点回头看前文的例子：<p[^>]*> 中的集合匹配的是"除右尖括号之外的任意字符"，于是该表达式能精确匹配开标签。

五、量词（Quantifiers）：重复前一个元素

字符集一次只能匹配一个字符，但有了量词，一切不同了。+、?、* 这三个特殊字符重复其前面的单个元素（元素指单个字符、字符集、转义序列或分组——总之是正则中的任意单一实体），它们统称通配符或量词：

量词	含义
`?`	前一个元素出现 0 或 1 次
`*`	前一个元素出现 0 或更多次
`+`	前一个元素出现 1 或更多次

举例说明：

a? 匹配空字符串或 "a"
a* 匹配 ""、 "a"、"aa" 或任意连续多个 "a"
a+ 匹配 "a"、"aa" 或任意连续多个 "a"（注意：不匹配空字符串）
[0-9]+ 匹配任意整数

于是回到页码例子上：一个表达式 Page [0-9]+ of 423 就足以匹配书中的所有页码了。

贪婪行为（Greedy Behaviour）与懒惰量词

注意：这些量词默认会尽可能多地匹配文本，这就是"贪婪行为"。当你想匹配一个标签时问题就来了。例如字符串 "Title here"，你想匹配开标签（第一对尖括号之间的部分）。你可能会觉得 <p.*> 能匹配这个开标签，但实际上它匹配了整行字符串！

（这里 . 是另一个特殊字符，它匹配除换行外的任意字符，因此 .* 基本能匹配你能想到的任何单行文本。）

解决办法是使用 <p.*?>——在量词 * 后面加 ? 使其非贪婪，这样表达式就只匹配第一个开标签。

还有一种办法：<p[^>]*> 也能匹配同一个开标签，原因参见上文补集部分。请记住：同一个匹配目标，往往有不止一种写法。

量词完整速查表

量词	前驱表达式的出现次数
`?`	0 或 1 次（等价于 `{0,1}`）
`+`	1 次或更多（等价于 `{1,}`）
`*`	0、1 或更多次（等价于 `{0,}`）
`{n}`	恰好 n 次
`{min,max}`	介于最小值与最大值之间（含端点）
`{min,}`	从最小值到无穷
`{,max}`	从 0 到最大值

性能警告：默认情况下正则引擎是贪婪的，常带来意外；在量词后加 ? 可使其懒惰（lazy）。尽量避免在同一表达式中使用两个懒惰量词，结果可能难以预测。更要警惕量词的嵌套，例如 (a*)* 这种模式会使处理时间呈指数级增长。

六、转义（Escaping）：匹配字面特殊字符

想匹配一个点号或问号怎么办？很简单：在任何特殊字符前加一个反斜杠 \，它就会被解释为字面字符，不再具有特殊含义。反斜杠加单个字符这一组合称为转义序列（escape sequence），这一操作称为转义（escaping），一个转义序列被视为一个单一元素。

当然，有些转义序列不止是转义特殊字符，例如 \t 表示制表符。本文讨论中出现的任何"有某种功能"的字符都应视为特殊字符，想要匹配字面字符就必须转义。

特殊字符总表

需要转义的 12 个元字符（在它们前面加 \ 才能恢复为普通字符）：

^ . [ ] $ ( ) * + ? | \

另外 7 个元字符不需要（但也可以）加反斜杠：

{ } ! < > = :

在字符类内部（方括号 [] 内），特殊字符会失去特殊地位；但右方括号 ] 和连字符 - 在类中仍有特殊地位。类外的连字符只是普通字面字符，右方括号仍是元字符。
斜杠 / 和井号 # 不是元字符，无需转义。
在某些外部工具（如 regex101.com 的 Python 引擎）中，双引号是特殊分隔符必须转义，但在 calibre 编辑器中没有这一限制。

常用特殊字符转义

表示	字符
`\t`	制表符
`\n`	换行符
`\x20`	（可断行的）空格
`\xa0`	不换行空格

七、分组与或运算（Grouping & Alternation）

假设转换的书中奇数页印着 "Title"、偶数页印着 "Author"，打印效果不错，但在电子书里很烦人。你可以用普通括号把整个表达式分组，并用 |（竖线字符）匹配它左边或右边的表达式。

先把奇偶页的表达式分组，得到 (Title)(Author) 两个表达式
再用竖线合并：(Title|Author) 会在奇数页匹配 "Title"，偶数页匹配 "Author"

当然，不用分组括号也能使用竖线：Title|Author 同样匹配 "Title" 或 "Author"。注意量词只重复前面的单一元素，而竖线的选择范围是它之前和之后的整个表达式。所以想只匹配 "Calibre" 和 "calibre" 中的大小写 c，必须用 (c|C)alibre 来保证只有 "c" 参与选择；如果写成 c|Calibre，匹配的将是字符串 "c" 或 "Calibre"，并非所愿。一句话：拿不准时，就把竖线和分组一起用。

排除模式（Exclusion）——高级技巧

快速参考（manual/regexp_quick_reference.rst）中还给出了两种"匹配但不包括"的实用技巧：

方法 1：(*SKIP)(*FAIL)

pattern_to_exclude(*SKIP)(*FAIL)|pattern_to_select

例如 "Blabla"(*SKIP)(*FAIL)|Blabla 会在字符串 Blabla 或 "Blabla or Blabla" 中选中 Blabla，但不会选中 "Blabla" 里被引号括起来的那处。

方法 2：\K

pattern_to_exclude\K|(pattern_to_select)

例如 "Blabla"\K|(Blabla)，效果同上。\K 会将选择起点重置到它所在的位置。某些正则引擎（非 calibre）不允许变长后顾（lookbehind），而 \K 能绕过这一限制，实现变长"正向后顾"的等效效果。

八、分组进阶：反向引用（Backreferences）

分组还有个非常酷的用途：对之前匹配到的分组做引用。分组从 1 开始编号，用转义的数字引用，即第 5 个分组写作 \5。因此，如果对字符串 "Test Test" 搜索 ([^ ]+) \1，就能匹配整个字符串——\1 引用的是第一个分组刚匹配到的 "Test"。

在替换文本中同样可以引用分组：\n 表示按阅读顺序编号的第 n 个捕获分组（从 1 开始）。

分组类型完整参考

表示	含义
`(expression)`	捕获分组：保存选中内容，可在搜索/替换模式中用 `\n` 召回
`(?:expression)`	非捕获分组：不保存选中内容
`(?>expression)`	原子分组：表达式一旦满足，引擎即通过；若后续模式失败，不会回溯尝试该表达式内的其他组合。原子分组不捕获
`(?	expression)`
`(?<name>expression)`	命名分组：搜索模式中用 `(?P=name)` 召回，替换模式中用 `\g<name>` 召回。两个不同分组可以同名

九、标志位（Flags）：不区分大小写与点号匹配一切

之前提到过"让所有正则不区分大小写"的办法——标志位（flags）。在表达式里用特殊结构 (?flags) 来包含标志，例如忽略大小写的标志是 i，写作 (?i)。于是 (?i)test 可以匹配 "Test"、 "tEst"、"TEst" 及任何大小写变体。

另一个实用的标志是 s：让点号 . 匹配包括换行符在内的任意字符。多个标志可以放在同一结构中：(?is) 表示忽略大小写且点号匹配一切，标志顺序无关紧要，(?si) 与之等价。

模式（Modes）速查

模式	作用
`(?i)`	忽略大小写
`(?s)`	点号 `.` 也匹配换行符
`(?m)`	使 `^` 和 `$` 锚点匹配行的开头和结尾，而非整个字符串的开头和结尾

十、环视（Lookarounds）：零宽断言

环视用于在不消费字符的前提下做位置断言，它们是零长度、不捕获的，并且属于原子分组：断言一旦满足引擎即通过；若后续模式失败，不会在环视内部回溯尝试其他组合。

环视	含义
`?=`	正向前瞻（放在待选内容之后）
`?!`	负向前瞻（放在待选内容之后）
`?<=`	正向后顾（放在待选内容之前）
`?<!`	负向后顾（放在待选内容之前）

负向前瞻示例：

(?![^<>{}]*[>}])

放在模式末尾，可防止选中的内容位于文件内嵌的标签或样式中。

实践提示：在字符串中寻找多个匹配时，每次匹配尝试的起始位置处，后顾可以检查当前位置之前的字符。例如对字符串 123，模式 (?<=\d)\d（数字前还有一个数字）理论上应选中 2 和 3；而 \d\K\d 只能选中 2，因为第一次选中后起始位置紧挨着 3 之前，剩余字符不足再次匹配。同理 \d(\d) 只捕获 2。在 calibre 的正则引擎实践中，正向后顾的表现与此一致——只选中 2，与理论相反。

环视内部可以放分组，但捕获通常用处不大；若确有需要，务必小心后顾中的量词——与"无回溯"相伴的贪婪性可能产生出人意料的捕获结果。因此，当正向后顾的捕获分组中含有量词（甚至多个）时，优先使用 \K 而非正向后顾。 此外，尽量"锚定"环视，以减少引擎所需的匹配步骤数。

十一、递归（Recursion）：处理嵌套结构

表示	含义
`(?R)`	整个模式的递归
`(?1)`	编号捕获分组（这里是分组 1）的模式的递归

递归就是"调用自己"。它非常适合平衡匹配，例如可能内嵌引号字符串的带引号字符串：处理一对双引号间的字符串时，若遇到新的双引号字符串开头，就递归调用自身。通用模板：

start-pattern(?>atomic sub-pattern|(?R))*end-pattern

选择一对双引号之间、且不因内嵌字符串而提前停止的字符串：

“((?>[^“”]+|(?R))*[^“”]+)”

该模板同样可用于修改可嵌套的成对标签，如 <div> 标签。

十二、锚点（Anchors）：匹配位置而非字符

锚点匹配的是字符串中的逻辑位置而非字符。文本处理中最常用的锚点有：

\b：单词边界，即空白到非空白字符的过渡。例如用 \bsurd 匹配 the surd 而不匹配 absurd
^：行的开头（默认即多行模式）
$：行的结尾（默认即多行模式）
\K：将选择起点重置到其在模式中的位置

字符类完整参考

表示	类
`[a-z]`	小写字母（不含带重音字符和连字）
`[a-z0-9]`	小写字母 a-z 或数字 0-9
`[A-Za-z-]`	大小写字母或连字符。连字符放进类时必须放在开头或结尾，以免与范围连字符混淆
`[^0-9]`	除数字外的任意字符。`^` 放在类开头表示排除（补集类）
`[[a-z]--[aeiouy]]`	小写辅音字母。类可以包含类，`--` 排除其后的内容
`[\w--[\d_]]`	所有字母（含带重音的外文字符）。缩写类可以在类内使用
`\d`	数字（同 `[0-9]`）
`\D`	任意非数字字符（同 `[^0-9]`）
`\w`	字母数字字符（含带重音字符和连字）
`\W`	任意非"单词"字符
`\s`	空格、不换行空格、制表符、回车
`\S`	任意非空白字符
`.`	除换行外的任意字符。用 "dot all" 复选框或 `(?s)` 修饰符可包含换行

综合示例：<[^<>]+> 用于选择 HTML 标签。

十三、实战：在 calibre 中使用正则表达式

场景一：转换选项中的「搜索与替换」

转换设置中的「搜索与替换」非常实用：输入一个描述待替换字符串的正则表达式，转换过程中就会执行替换。亮点在于**向导（wizard）**功能：

点击向导按钮，预览 calibre 在转换过程中"看到"的内容
滚动到想删除的字符串处，选中并复制
粘贴到窗口顶部的正则字段中
如果有可变部分（如页码），用字符集和量词覆盖；别忘了转义可能存在的特殊字符
点击 Test 按钮，calibre 会高亮显示使用该正则时会替换的部分
确认无误后点 OK 并开始转换

在 src/calibre/gui2/convert/search_and_replace.py 的 SearchAndReplaceWidget 中，可以看到搜索框提供了实时的文档更新连接（doc_update 信号），规则以"搜索正则表达式 / 替换文本"两列表格管理，支持保存/加载 .csr 定义文件。

真实案例：转换源文件中可能夹带这种垃圾标签：

Maybe, but the cops feel like you do, Anita. What's one more dead vampire?
New laws don't change that. </p>
<p class="calibre4"> <b class="calibre2">Generated by ABC Amber LIT Conv
<a href="http://www.processtext.com/abclit.html" class="calibre3">erter,
http://www.processtext.com/abclit.html</a></b></p>
<p class="calibre4"> It had only been two years since Addison v. Clark.

要清理掉其中一些标签：开标签用 <b.*?>，闭标签用 ，于是可用 <b.*?>.*? 删除两个标签之间的所有内容。但这样会误删  标签包围的一切正文（ 渲染为粗体）。更稳妥的做法是把被包围字符串的开头也纳入表达式：

<b.*?>\s*Generated\s+by\s+ABC\s+Amber\s+LIT.*?</b>

用 \s 加量词替代显式空格，以覆盖字符串可能出现的各种空白变体。务必用 Test 检查 calibre 将删除的内容——只检查一处匹配可能遗漏文本中其他位置的不匹配情况。另外，即使意外删多了或删少了标签，calibre 也会在删除后尝试修复受损的代码。

从源码看，转换搜索与替换的正则编译由 src/calibre/ebooks/conversion/search_replace.py 中的 compile_regular_expression() 完成，使用 Python 的 regex 库，默认标志为 regex.VERSION1 | regex.WORD | regex.FULLCASE | regex.MULTILINE | regex.UNICODE，并带缓存机制。

场景二：从文件名提取元数据（添加书籍）

在"添加书籍"设置中，可以用正则从文件名提取元数据，特殊之处在于可以使用元数据字段名：(?P<title>) 表示将字符串这一部分用作书名。允许的字段名会列在窗口中，旁边还有一个测试字段。

示例：要批量导入如下命名的文件：

Classical Texts: The Divine Comedy by Dante Alighieri.mobi
Science Fiction epics: The Foundation Trilogy by Isaac Asimov.epub

calibre 默认的文件名元数据提取表达式是 (?P<title>.+) - (?P<author>[^_]+)，对这种命名方案无能为力。适用于此场景的正则：

[a-zA-Z]+: (?P<title>.+) by (?P<author>.+)

注意：字段名分组内，需要用表达式描述该字段实际匹配的内容。另外，使用测试字段时必须给测试文件名加上文件扩展名，否则即便表达式正确也得不到任何匹配。

该默认模式在 src/calibre/ebooks/metadata/meta.py 中可见（(?P<title>.+) - (?P<author>[^_]+)），它由 calibre 的元数据自动识别逻辑使用，与 regex 库配合（regex.UNICODE | regex.VERSION1 | regex.FULLCASE 等标志）。

场景三：批量编辑元数据中的搜索与替换

最后一个场景是元数据字段中的正则「搜索与替换」：在书库中选中多本书，使用批量元数据编辑进入。使用此功能时务必极其小心，它可能对你的书库造成严重后果（Very Bad Things）！ 请先用测试字段反复验证表达式符合预期，并且只勾选真正想修改的书籍！

在正则搜索模式下，你可以在一个字段中搜索、替换文本，甚至可以把结果写入另一个字段。经典案例：书库中有 Frank Herbert 的沙丘系列，书名形如 Dune 1 - Dune、Dune 2 - Dune Messiah……想把 Dune 提取到系列（series）字段：

在标题字段搜索 (.*?) \d+ - .*，替换为 \1，结果写入 series 字段——\1 就是对第一个分组的引用，替换的是系列字段
再在标题字段搜索 .*? -，替换为空字符串 ""，标题字段本身——元数据就清爽了

除了整体替换字段，还可以选择**追加（append）或前置（prepend）**到字段内容，例如想在书名前加上系列信息，也可以做到。这个界面上还有一个「Case sensitive」复选框，因此在批量编辑中不必用标志位来切换大小写行为。

十四、写在最后：测试为王

这篇简明介绍到此告一段落。希望已经让你入门，并能自行继续学习——好的起点是 Python 的 re 模块文档（calibre 实际使用的正则库是 Python 的 regex 库，它相对标准库支持若干有用的增强特性，例如 \K、递归、原子分组与分支重置等，这也是上文中 (*SKIP)(*FAIL)、(?R) 等高级语法可用的原因）。

最后一句忠告：正则功能强大，但也极易出错。calibre 提供了非常好的测试手段来验证表达式是否符合预期——请善用它们。多测试、多检查、逐步构造，尽量避免"搬起石头砸自己的脚"。