在多行之间包含字符的正则表达式

Question

我有以下文字：

BEGIN:
>>DocTypeName: Zoning Letter
>>DocDate: 4/16/2014
Loan Number: 355211
Ad Hoc: ZONING VERIFICATION LETTER
Document Handle: 712826
>>DiskgroupNum: 102
>>VolumeNum: 367
>>NumOfPages: 0
>>FileSize: 261711
>>DocRevNum: 0
>>Rendition: 1
>>PhysicalPageNum: 0
>>ItemPageNum: 0
>>FileTypeNum: 16
>>ImageType: 0
>>Compress: 2
>>Xdpi: 0
>>Ydpi: 0
>>FileName: \V367\2855\1558564.PDF
BEGIN:
>>DocTypeName: Zoning Letter
>>DocDate: 4/16/2014
Loan Number: 355211
Ad Hoc: ZONING CODES COMPLIANCE LETTER
Document Handle: 712825
>>DiskgroupNum: 102
>>VolumeNum: 367
>>NumOfPages: 0
>>FileSize: 19441
>>DocRevNum: 0
>>Rendition: 1
>>PhysicalPageNum: 0
>>ItemPageNum: 0
>>FileTypeNum: 16
>>ImageType: 0
>>Compress: 2
>>Xdpi: 0
>>Ydpi: 0
>>FileName: \V367\2855\1558563.pdf

我需要使用正则表达式（将在C＃程序中）将其转换为对CSV有效的内容。 最重要的数据是来自每个部分的文档句柄和文件名（路径）（作为“BEGIN：”下的部分）我正在为其他人工作，所以我想尽可能多地保留他们认为他们需要一些其他数据的事件。 这是我最初的尝试：

\r\n(?!BEGIN).*\:

但是，并非每个部分都有一个“Ad Hoc：”组件，当拉入Excel时会抛出单元格对齐。 我知道Ad Hoc肯定不是最终结果所需数据的一部分。

最好的情况是只选择并删除每个“Ad Hoc”和“Handle：”之间的所有内容，用分隔符（;）替换。 然后我会把它和我的上面的正则表达式一起管道。

我唯一的另一个要求是，这必须全部在一个正则表达式声明中 - 否则在我编写的程序中，我将不得不设置某种循环或业务，我还没准备好。

Answer 1

你可以使用正则表达式，但我不会说它比手动循环更容易。

(?<=BEGIN:\r\n)(?:.*:\s*(?:(?<value>(?<!Ad Hoc:\s*).*)|.*)(?:\r\n)?)*?(?=BEGIN:|$)

示例代码：

foreach (Match m in Regex.Matches(text, @"(?<=BEGIN:\r\n)(?:.*:\s*(?:(?<value>(?<!Ad Hoc:\s*).*)|.*)(?:\r\n)?)*?(?=BEGIN:|$)"))
{
    Console.WriteLine(string.Join(",", m.Groups["value"].Captures.Cast<Capture>().Select(c => c.Value)));
}

输出：

Zoning Letter,4/16/2014,355211,712826,102,367,0,261711,0,1,0,0,16,0,2,0,0,\V367\2855\1558564.PDF
Zoning Letter,4/16/2014,355211,712825,102,367,0,19441,0,1,0,0,16,0,2,0,0,\V367\2855\1558563.pdf

Answer 2

基于我从问题下面的评论中理解的内容，问题中给出的示例数据应该转换为两个文本行，如下所示：

Zoning Letter;4/16/2014;355211;712826;102;367;0;261711;0;1;0;0;16;0;2;0;0;\V367\2855\1558564.PDF
Zoning Letter;4/16/2014;355211;712825;102;367;0;19441;0;1;0;0;16;0;2;0;0;\V367\2855\1558563.pdf

为了在避免循环的同时实现这个结果（虽然我想知道你为什么要避免循环 - 它们是基本的和全方位存在的结构），我建议应用两个（或三个，见下面的第3节）正则表达式替换。

1.删​​除“标签：”并用“;”替换换行符

第一个正则表达式将删除“：”前面的标签，包括“：”以及带分号的任何前面的换行符。 但是，它不会删除或替换“BEGIN：”前面的换行符，也不会触及“BEGIN：”本身。

@"(([\r\n]+\s*Ad\sHoc:.*?[\r\n]+)|([\r\n]+(?!\s*BEGIN))).*?:\s*"

这个正则表达式是两个正则表达式的OR组合（在上面的可视化中很容易看到）：

[\r\n]+\s*Ad\sHoc:.*?[\r\n]+.*?:\s*

这将匹配Ad Hoc：“行包括任何”Label：“字符串在下一行，和

([\r\n]+(?!\s*BEGIN)).*?:\s*

它将匹配任何“Label：”，包括它前面的换行符，除了“BEGIN：”标签。

将此正则表达式应用于您的示例并将所有匹配替换为“;” 将产生以下结果：

BEGIN:;Zoning Letter;4/16/2014;355211;712826;102;367;0;261711;0;1;0;0;16;0;2;0;0;\V367\2855\1558564.PDF
BEGIN:;Zoning Letter;4/16/2014;355211;712825;102;367;0;19441;0;1;0;0;16;0;2;0;0;\V367\2855\1558563.pdf

注意“开始：;” 我们现在要照顾。

2.删除“BEGIN：”标签

在查看第一个正则表达式替换的结果时，这是相当简单的模式。

"(?m)^BEGIN:;"

您可能认为可以通过字符串替换来完成此操作 - 在编写我的答案的第一个版本时也是如此。 但是，当“BEGIN：;”时，单纯的字符串替换会成为一个问题。 可以是任何其他文本字段的内容的一部分。 通过指定仅在行的开头匹配的正则表达式来更好地保持正确和安全。

3.代码示例，包括消除源文本中的空行

如果源文本中包含空格的空行，则上面显示的正则表达式可能无法正常工作。 解决方案是事先进行另一个正则表达式替换，这会将空行（包括空格）减少为单个换行符（如果您确定源数据不包含空行，则可以省略此步骤）。

一个完整的代码示例，它将产生我在答案开头提到的结果，可能如下所示：

string sourceData = ... your text with the source data ...

Regex reEmptyLines = new Regex(@"[\s\r\n]+[\r\n]", RegexOptions.Compiled);
Regex reSemicolons = new Regex(@"(([\r\n]+\s*Ad\sHoc:.*?[\r\n]+)|([\r\n]+(?!\s*BEGIN))).*?:\s*", RegexOptions.Compiled);
Regex reBegin = new Regex("(?m)^BEGIN:;", RegexOptions.Compiled);

string processed =
    reBegin.Replace(
        reSemicolons.Replace(
            reEmptyLines.Replace(sourceData, "\r\n"),
            ";"
        ),
        string.Empty
    );

Answer 3

这个怎么样：

BEGIN:((?:(?!BEGIN:).)*)

这将匹配第一个BEGIN和下一个BEGIN之间的所有内容。