1

我正在使用正则表达式编写 Java 代码来解析从 PDF 文档中提取的内容页面。

在字符串中，正则表达式必须匹配：一个数字（最多三个）后跟一个空格（或多个），后跟一个单词（或多个 [单词：任何字符序列]）。反之亦然：（word(s) space(s) digit(s)），它们都必须在字符串中。还要考虑前导空格并且不区分大小写。

提取的内容页面可能如下所示：

董事职责 8

公司治理 9

薪酬报告10

编号样式不一致，数字和字符串之间的空格数确实有所不同，因此它也可能如下所示：

01 内容

02 战略与亮点

04 董事长致辞

我使用的正则表达式匹配任意数量的单词，后跟任意数量的空格，然后是不超过 3 位的数字：

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

它工作但不太好，不能告诉我做错了什么？我希望有一种方法可以检测两种编号样式（将页码放在字符串的左侧或右侧），而不是重复正则表达式并翻转顺序。

干杯

4

2 回答 2

1

如果每个项目之前或之后总是有一个数字，则可以将此模式与multiline mode一起使用：

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

然后您可以使用m.group('nb1')+m.group('nb2')来始终获取每场比赛的号码。

但是如果你必须检查至少有一个数字，你必须重复整个模式：

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

然后：

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

注意：由于模式在开头和结尾都锚定，因此您可能必须添加一些可选空格才能使它们起作用：^\\s*和\\s*$

于 2013-07-31T18:49:43.283 回答
1

如果要匹配短语，则应在正则表达式中包含要匹配的任何标点符号。AFAIK 正则表达式中没有办法说一个短语是“之前还是之后”，所以你应该翻转一个并附加一个|. 类似于以下内容：

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

此外，您不需要两个实例(?i)，因为正则表达式将不区分大小写，直到字符串结尾或遇到(?-i).

于 2013-07-31T18:32:44.920 回答