使用Regex解析內容頁面？

Question

我正在寫一個Java代碼使用正則表達式來解析從PDF文檔中提取的內容頁面。

在正則表達式必須匹配的字符串中：一個數字（最多三個）後跟一個空格（或多個）後跟一個單詞（或許多[單詞：任何字符序列]）。反之亦然：（單詞（s）空格（s）數字），它們都必須在字符串中。同時考慮領先空間並且不區分大小寫。

提取的內容頁可能是這個樣子：

董事職責8

公司治理9

薪酬報告10

的編號，樣式不一致，數字和字符串之間的空格數量會有所不同，因此它也可能如下所示：

項

01內容

02戰略和亮點

04主席聲明

我使用匹配的任何數量的單詞後跟任意數量的空間，然後一個數字的正則表達式不超過3位：

(?i)([a-z\\s])*[0-9]{1,3}(?i) 

它的工作原理但不是很好，不知道我做錯了什麼？我希望有一種方法可以檢測編號樣式（在頁面的左側或右側有頁碼），而不是重複正則表達式並翻轉順序。

乾杯

Answer 1

如果你想匹配短語，你應該包括你想在你的正則表達式匹配任何標點符號。 AFAIK沒有辦法在正則表達式中如果一個短語是「之前或之後」，所以你應該翻轉一個並附加一個|。沿着線的東西：

[a-zA-Z'".,!\s]+\d{1,3}|\d{1,3}[a-zA-Z'".,!\s]+

而且，你不需要的(?i)兩個實例，作爲正則表達式將應用不區分大小寫，直到字符串的結尾，或者如果它遇到(?-i)。

Answer 2

您可以使用此模式與多模式，如果總有一個數字之前或每個項目後：

"^(?:(?<nb1>\\d{1,3}) +)?(?<item>\\S+(?: +\\S+)*?)(?: +(?<nb2>\\d{1,3})|$)" 

然後你可以使用m.group('nb1')+m.group('nb2')始終獲得每個整場比賽的數量。

但是如果你必須檢查至少有一個數字，則必須重複整個模式：

"^(?:(?<nb1>\\d{1,3}) +(?<item1>\\S+(?: +\\S+)*)|(?<item2>\\S+(?: +\\S+)*) +(?<nb2>\\d{1,3})$" 

然後：

item = m.group('item1')+m.group('item2'); 
nb = m.group('nb1')+m.group('nb2'); 

注意：因爲圖案是開始時固定和最後，你可能需要添加一些可選空間來完成它們的工作：^\\s*和\\s*$