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中提取的内容表，例如在以下示例中，两个主题可以在一行上，每行的末尾有一个换行符（例如在示例中）

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

我要提取该部分的名称“主题à一个”，“第二个主题”，“第三个”，“ Topic.with.dots”，“多一行”和“最后一个主题”

对匹配的正则表达式有什么见解？

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

这就是您想要的。 它还与单个字母标题匹配。

Answer 2

以下（尚未优化的）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正则表达式风格。

在regex101上看到它 。

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，我更喜欢他的样式。）

Answer 5

这是Perl中的解决方案：

 $ 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

关于我在这里所做的操作的一些解释是，内部的括号(?:...)无法捕获，因此它们仅用于分组，并且将字字符（ \\w ）或空格或点[. ] [. ] ，然后，由于您有更多点，因此匹配为非贪婪+? 整个匹配项进入$1 ，将其打印出来。

HTH

- 编辑 -

Ruby几乎具有Perl的所有构造，包括regex，这是直接的转换！ （不确定为什么必须将其否决！）FWIW，在Ruby中：

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