Znáte regulární výrazy neboli regexy? Jsou to speciální znaky, díky nimž můžeme v textu chytře vyhledávat a nahrazovat. Například můžeme hledat více alternativních slov nebo jejich částí najednou. Anebo určité slovo následované určitými jinými slovy. Pomocí regulárních výrazů také můžeme v nástrojích CAT lépe vyfiltrovat jen ty segmenty, které nás zajímají.

O regulárních výrazech vyšly celé knihy, a proto nabídnu jen hrst vybraných dotazů, které jsou zajímavé pro překladatele, a odkážu na dvě skvělé stránky, kde případný zájemce najde o regulárních výrazech snad úplně všechno: RexEgg a Regular-Expressions.info. Regulární výrazy využijeme v programech, které je podporují, tedy např. nástroj CAT SDL Trados Studio, textový procesor Notepad++ nebo titulkovací program SubtitleNEXT. Microsoft Word je podporuje jen částečně.

 

1) Nejdřív zopakuji „recept“, který už jsem nabídl v samostatném článku, a to na vyhledání obyčejných jednopísmenných slov (tzn. k, s, v, z, a, i, o, u) následovaných obyčejnou mezerou a na nahrazení pevné mezery mezerou obyčejnou

Najít: \b([aiouksvz])·

  • Znakem · značím obyčejnou mezeru, tedy normálně stiskneme mezerník
  • \b znamená hranici slova, tedy jeho začátek nebo konec: díky tomuto výrazu tedy nebudeme hledat slova zakončená na uvedená písmena, ale jen samostatná jednopísmenná slova
  • [aiouksvz] znamená, že hledáme libovolné písmeno z uvedeného seznamu

Nahradit čím:

  • Když v Tradosu budeme chtít nahradit nalezený řetězec stejným písmenem následovaným pevnou mezerou, do okénka pro nahrazení zadáme: $1°
  • Znakem ° značím pevnou mezeru, kterou zadáme jako Alt+160 nebo také jako \xA0
  • V jiných programech místo $1 zadáme \1

 

2) Druhý recept je pro toho, kdo chce naopak najít pevné mezery po dvoupísmenném a vícepísmenném slovu a tyto pevné mezery nahradit obyčejnými mezerami.

Najít: (\w{2,})\xA0

  • \w znamená „písmenný znak“, neboli písmeno, číslice nebo podtržítko
  • {2,} znamená dvě a více opakování předcházejícího výrazu,
  • což dohromady znamená libovolný počet písmen/číslic/podtržítek
  • pevnou mezeru jsme tentokrát zadali jako \xA0

Nahradit čím:

  • V Tradosu zadáme: $1·
  • Ve většině jiných programů zadáme: \1·
  • Znakem · opět značím obyčejnou mezeru, tzn. stiskneme mezerník
  • $1 respektive \1 odkazuje na obsah prvních závorek. V tomto hledání máme závorky jediné, jde tedy o výraz \w{2,}
  • Neboli nalezené slovo před pevnou mezerou nahradíme týmž slovem a za něj vložíme pevnou mezeru
  • Mimochodem kdybychom chtěli najít všechny tvary spojení Česká republika, můžeme zadat: Česk\w+ republi\w+

 

3) Třetí recept je pro toho, kdo chce nahradit desetinné tečky desetinnými čárkami (a v číslech nejsou žádné mezery).

Najít: (\d+)\.(\d+)

  • \d znamená libovolnou číslici od 0 do 9
  • \. znamená tečku. Zpětné lomítko je před tečkou proto, že bez něj by znamenala libovolný jeden znak
  • Symbol + znamená jedno či více opakování předchozího znaku, tedy libovolný počet po sobě jdoucích číslic

Nahradit čím (Trados): $1,$2

Nahradit čím (jiné programy): \1,\2

  • $1 resp. \1 odkazuje na obsah prvních závorek, $2 resp. \2 na obsah druhých závorek

 

4) Jak hledat více slov, více tvarů slova nebo více částí slova najednou. Hledejme například všechny tvary zájmena vy (včetně nespisovného váma).

Hledat: \b(vy|vás|vám|vámi|váma)\b

  • Pomocí \b vymezíme začátek a konec slova, abychom nenašli například kávy
  • Jednotlivá slova (alternativy) oddělíme svislítkem

Můžeme zadat třeba i: (horizontal|vertical) align

Najdeme jednak horizontal align, jednak vertical align

Svislítko často využijeme i ve filtru Tradosu: můžeme vyfiltrovat segmenty, které obsahují určitá slova (a často vystačíme i bez \b).

regex trados filtr

Obrázek. Filtrování v SDL Trados Studiu pomocí regulárních výrazů

 

5) Hledáme mezeru na začátku řádku/segmentu/titulku

Hledat: ^·

  • Obyčejnou mezeru opět značím jako ·
  • Můžeme ji zadat i jako \x20 – zadání potom bude znít: ^\x20

Nahradit čím:

  • Do okénka nenapíšeme vůbec nic, tedy ani mezeru. Mezeru tedy nahradíme „ničím“. Toho, že bychom vymazali začátek řádky, se bát nemusíme.

Podobně můžeme pomocí stříšky najít určité slovo na konci řádku/segmentu/titulku. A kdybychom chtěli hledat naopak na konci řádku/segmentu/titulku, použijeme symbol $.

regex SubtitleNEXT

Obrázek. Hledání mezery na začátku řádků v titulkovacím programu SubtitleNEXT

 

6) Hledáme mezeru na konci řádku/segmentu/titulku

Hledat: ·$

  • Obyčejnou mezeru opět značím jako ·
  • Můžeme ji zadat i jako \x20 – zadání potom bude znít: \x20$
  • Symbol $ zadáme nejsnáze jako AltGr+ů

 

7) Hledáme zalomení řádku („enter“) následované malým písmenem. Zalomení řádku odstraníme – tímto způsobem můžeme opravit výstup z OCR, ve kterém je věta často rozťata vejpůl. Použít můžeme například editor Notepad++.

Hledat: \R([a-ž])

Nahradit čím: \1

nebo: ·$1

  • Mít zaškrtnuté Rozlišovat malá a VELKÁ písmena
  • Symbolem · opět značím obyčejnou mezeru
  • \R funguje jen v Notepadu++

Tuto operaci můžeme udělat i ve Wordu, ten ale regulární výrazy zapisuje trochu jinak:

Najít: ^13([a-ž])

Nahradit čím: ·\1

  • Symbolem · opět značím obyčejnou mezeru
  • Zaškrtneme Použít zástupné znaky

regex Word

Obrázek. Odstranění zalomení řádku před malými písmeny v programu MS Word

 

Vysoká škola regexová

K nejpokročilejším regulárním výrazům patří takzvané lookaroundy, tedy jednak lookbehindy a lookaheady. Jak napovídají jejich názvy, jedny se v textu „dívají“ zpět a druhé dopředu. Jinými slovy, hledáme něco, co je nebo naopak není v blízkosti něčeho jiného, aniž na to něco jiného „saháme“. 

Lookaroundy

  • pozitivní lookbehind (před danou pozicí něco je)
    • např. tree následující po apple a mezeře: (?<=apple )tree
    • lookaround může obsahovat i více alternativních slov: (?<=apple|pear|plum )tree
  • negativní lookbehind (před danou pozicí něco není)
    • např. tree NEnásledující po apple: (?<!apple )tree
  • pozitivní lookahead (po dané pozici něco je)
    • apple následované tree: apple(?= tree)
  • negativní lookahead (po dané pozici něco není)
    • apple NEnásledované tree: apple(?! tree) 

Možná si říkáte, proč místo pozitivních lookaroundů rovnou nezadat třeba spojení slov apple tree. Ano, někdy to stačí a je to mnohem jednodušší. Ale pokud zadáte dotaz s lookaroundem, na obsah lookaroundu vůbec nesaháte, a proto můžete snáze nahrazovat. Bohužel ne všechny programy lookaroundy podporují anebo je podporují jen částečně: třeba v SDL Trados Studiu není problém filtrovat, ale při nahrazování s lookaroundy nastává problém.