使用正則表達式從一個大字符串中提取數據

Question

考慮以下字符串，它是從pdf中提取的內容表，例如在以下示例中，兩個主題可以在一行上，每行的末尾有一個換行符（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

我要提取該部分的名稱“主題à一個”，“第二個主題”，“第三個”，“ Topic.with.dots”，“多一行”和“最后一個主題”

對匹配的正則表達式有什么見解？

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

這就是您想要的。 它還與單個字母標題匹配。

Answer 2

以下（尚未優化的）正則表達式適用於您的示例：

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

但是，它需要改進，例如是否應匹配非ASCII字母，並且有一些可能的性能優化取決於所使用的正則表達式風格。

在regex101上看到它 。

對於Ruby 2，我建議/(?=\\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

類似於@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

（不過，我更喜歡他的樣式。）

Answer 5

這是Perl中的解決方案：

 $ 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

關於我在這里所做的操作的一些解釋是，內部的括號(?:...)無法捕獲，因此它們僅用於分組，並且將字字符（ \\w ）或空格或點[. ] [. ] ，然后，由於您有更多點，因此匹配為非貪婪+? 整個匹配項進入$1 ，將其打印出來。

HTH

- 編輯 -

Ruby幾乎具有Perl的所有構造，包括regex，這是直接的轉換！ （不確定為什么必須將其否決！）FWIW，在Ruby中：

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