ruby - 使用正则表达式从一个大字符串中提取数据

Question

考虑以下字符串，它是从 pdf 中提取的目录，如下例所示，两个主题可以在一行中，每行末尾有一个换行符（如示例中所示）

A — N° 1 2 janvier 2013

TABLE OF CONTENT

Topic à one ......... 30 Second Topic .......... 33
Third - one ......... 3 Topic.with.dots .......... 33
One more line ......................... 27 last topic ...... 34

我想提取部分的名称'Topic à one'、'Second Topic'、'Third -one'、'Topic.with.dots'、'One more line'和'last topic'

匹配正则表达式的任何见解？

Answer 1

# -*- coding: utf-8 -*-
string = "A — N° 1 2 janvier 2013

TABLE OF CONTENT

Topic à one ......... 30 Second Topic .......... 33
Third - one ......... 3 Topic.with.dots .......... 33
One more line ......................... 27 last topic ...... 34"
puts string.scan(/(\p{l}[\p{l} \.-]*)\s+\.+\s+\d+/i).flatten

这可以满足您的需求。它还匹配单字母标题。

Answer 2

以下（尚未优化）正则表达式适用于您的示例：

(?i)(?=[A-Z])(?:\.[A-Z-]+|[A-Z -]+)+\b

但是，它需要改进，例如是否应该匹配非 ASCII 字母，并且有一些可能的性能优化取决于所使用的确切正则表达式风格。

在 regex101 上查看。

对于 Ruby 2，我建议/(?=\p{L})(?:\.[\p{L}-]++|[\p{L} -]+)+\b/

Answer 3

string.scan(/(\S.*?)\s+\.{2,}\s+\d+/).flatten
# =>
[
  "Topic one",
  "Second Topic",
  "Third one",
  "Topic.with.dots",
  "One more line",
  "last topic"
]

Answer 4

类似于@sawa 的：

puts text.scan(/([a-zA-Z .]+?) \.\.++ \d+/).flatten.map(&:strip)
# >> Topic one
# >> Second Topic
# >> Third one
# >> Topic.with.dots
# >> One more line
# >> last topic

（不过我更喜欢他的模式。）

Answer 5

这是 Perl 中的一个解决方案：

 $ cat tmp
 Topic one ......... 30 Second Topic .......... 33 Third one ......... 3   Topic.with.dots ..........   33 One more line ......................... 27 last topic ...... 34


$ cat tmp  | perl -ne 'while (m/((?:\w|[. ])+?) [.]+ \d+/g) { print "$1\n" }' 
Topic one
Second Topic
Third one
 Topic.with.dots
One more line
last topic

稍微解释一下我在这里做什么，内部的括号集(?:...)是非捕获的，所以它们仅用于分组，它们将一个字字符（\w）或一个空格或点分组，[. ]然后，因为你有更多的点，匹配是非贪婪+?的，整个匹配进入$1，打印出来。

高温高压

- 编辑 -

Ruby 几乎具有 Perl 的所有构造，包括正则表达式，而且它是一种直接的转换！（不知道为什么它必须被否决！） FWIW，这里是 Ruby：

while ARGF.gets
  puts $_.scan(/((?:\w|[. ])+?) [.]+ \d+/)
end