4

我需要解析一些大文本文件并提取Display name，并且area code仅当它与以下模式匹配时：

  • 行开头display name（任意数量的单词，但不能包含数字或特殊字符）
  • 后跟 6 位数字（可以包含空格）
  • 后跟#text标签

输入文件

John doe 123 456 #text some text
Test 123456 #text
Test$test 123456 #text
Test123 345678 #text
Test 123 #test
Test 123456 #test1
Test 123g45 #test

输入和预期输出

John doe 123 456 #text some text
Display name: John doe
Area code: 123 456

Test 123456 #text
Display name: Test
Area code: 123456

Test$test 123456 #text
Invalid, display name contains special character

Test123 345678 #text
Invalid, display name contains digits

Test 123 #test
Invalid, area code contains only 3 digits

Test 123456 #test1
Invalid, contains invalid tag

Test 123g45 #test
Invalid, area code contains letters

等等

我知道如何打开文本文件并逐行读取，但在编写正则表达式时遇到了麻烦。

这是我尝试过的：

private static void Main(string[] args)
{
    string text = "John Doe 123 45 #text Lorem ipsum dolor :)";
    string pattern = @"(\w+)*([0-9]{2,5}).([0-9]{2,5}).#text";
    Match match = Regex.Match(text, pattern, RegexOptions.IgnoreCase);

    if (match.Success)
    {
        string key = match.Groups[0].Value;
        Console.WriteLine(key);
    }
}

编辑：

这里还有一些解释

显示名称
显示名称可以包含任意数量的单词，例如 John Michael Smith有效，因为John是名字、Michael中间名和Smith姓氏。Šljaker也是有效的显示名称，因为它是某人的昵称，并且可能包含非英文字符。但是带有数字的名称是无效的，例如。John1. 为什么？这是我们的业务规则，没有数字 :) 我想这\w在这里会起作用，a-zA-Z但不会，因为它不会涵盖非英文字母。

区号
业务规则很简单：它必须包含 6 个数字，我们不关心它们的格式。所有这些都是有效的区号：123456、12 34 56、1234 56 等。Regex 不需要修剪空格，我将在代码中处理。

任何帮助将不胜感激！

4

2 回答 2

0

输入的规范对于编写正确的正则表达式仍然有点模糊。在编写正则表达式之前，有必要先了解一下规范，或者至少做出适用于您当前数据集的假设。

这是我写的正则表达式，正则表达式将验证整行。假设稍后出现。

^([a-zA-Z ]+)(?<! ) +((?:[0-9] *){6}) *#text( .*)?$

我只允许输入中的空格（ASCII 32）。\s如果您想允许制表符和其他空白字符，您可以替换正则表达式中的空格。

([a-zA-Z ]+)(?<! ) +：匹配并捕获显示名称。显示名称中只允许使用英文字母和空格。用于抑制捕获组的(?<! )尾随空间；它还有一个不允许名称只有空格的效果。如果要允许 Unicode 中的任何字母匹配，请使用[\p{L} ]+.[a-zA-Z ]+

((?:[0-9] *){6}): 正好是 6 位十进制数字，由任意数量的空格分隔。由于在此部分之前匹配了 1 个或更多空格，因此它不允许将数字粘在显示名称上 +。

 *#text( .*)?：我允许数字粘在标签上（例如Name 123456#text dfsjhdf）；将其更改+#text( .*)?为禁止此操作。如果有更多评论，请( .*)?确保后面有一个空格，或者后面没有任何内容（例如）。#text#textName 123456 #text

从此正则表达式中捕获的文本将：

  • 显示名称：可能包含过多的前导空格和中间空格，但没有尾随空格。至少一个英文字母。
  • 区号：正好包含6 位数字。两者之间可能有任意空格，因此您可能需要处理匹配的字符串。
于 2012-12-20T11:40:56.303 回答
0

您可以将正则表达式模式替换为以下内容：

@"^([\D]+)\s*((?:\d\s*?){6})\s*\#text\s*(.*)$"

这按顺序搜索

  • 非数字序列（第 1 组）
  • 后跟任意数量的空格
  • 后跟正好 6 个数字，每个数字后跟可选的空格（第 2 组）
  • 后跟任意数量的空格和文字“#text”，后跟可选的空格
  • 接下来是线路的其余部分（第 3 组）

由于这是针对多行进行评估的，因此请考虑添加RegexOptions.Compiled标志（即：）RegexOptions.IgnoreCase | RegexOptions.Compiled。

显示名称存储为match.Groups[1].Value；区号为match.Groups[2].Value，文字为match.Groups[3].Value。

于 2012-12-20T12:08:52.690 回答