使用Regex解析内容页面？

Question

我正在写一个Java代码使用正则表达式来解析从PDF文档中提取的内容页面。

在正则表达式必须匹配的字符串中：一个数字（最多三个）后跟一个空格（或多个）后跟一个单词（或许多[单词：任何字符序列]）。反之亦然：（单词（s）空格（s）数字），它们都必须在字符串中。同时考虑领先空间并且不区分大小写。

提取的内容页可能是这个样子：

董事职责8

公司治理9

薪酬报告10

的编号，样式不一致，数字和字符串之间的空格数量会有所不同，因此它也可能如下所示：

项

01内容

02战略和亮点

04主席声明

我使用匹配的任何数量的单词后跟任意数量的空间，然后一个数字的正则表达式不超过3位：

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

它的工作原理但不是很好，不知道我做错了什么？我希望有一种方法可以检测编号样式（在页面的左侧或右侧有页码），而不是重复正则表达式并翻转顺序。

干杯

Answer 1

如果你想匹配短语，你应该包括你想在你的正则表达式匹配任何标点符号。 AFAIK没有办法在正则表达式中如果一个短语是“之前或之后”，所以你应该翻转一个并附加一个|。沿着线的东西：

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

而且，你不需要的(?i)两个实例，作为正则表达式将应用不区分大小写，直到字符串的结尾，或者如果它遇到(?-i)。

Answer 2

您可以使用此模式与多模式，如果总有一个数字之前或每个项目后：

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

然后你可以使用m.group('nb1')+m.group('nb2')始终获得每个整场比赛的数量。

但是如果你必须检查至少有一个数字，则必须重复整个模式：

"^(?:(?<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：因为图案是开始时固定和最后，你可能需要添加一些可选空间来完成它们的工作：^\\s*和\\s*$