如何从文本文件中提取数据

Question

我需要解析一些大文本文件并提取 Display name 和 area code，前提是它与以下模式匹配：

• 行以display name 开头（任意数量的单词，但不能包含数字或特殊字符）
• 后跟 6 位数字（可以包含空格）
• 后跟#text标签

输入文件

John doe 123 456 #text some text
Test 123456 #text
Test$test 123456 #text
Test123 345678 #text
Test 123 #test
Test 123456 #test1
Test 123g45 #test

输入和预期输出

John doe 123 456 #text some text
Display name: John doe
Area code: 123 456

Test 123456 #text
Display name: Test
Area code: 123456

Test$test 123456 #text
Invalid, display name contains special character

Test123 345678 #text
Invalid, display name contains digits

Test 123 #test
Invalid, area code contains only 3 digits

Test 123456 #test1
Invalid, contains invalid tag

Test 123g45 #test
Invalid, area code contains letters

等等

我知道如何打开文本文件并逐行读取，但是在编写正则表达式时遇到了麻烦。

这是我尝试过的：

private static void Main(string[] args)
{
    string text = "John Doe 123 45 #text Lorem ipsum dolor :)";
    string pattern = @"(\w+)*([0-9]{2,5}).([0-9]{2,5}).#text";
    Match match = Regex.Match(text, pattern, RegexOptions.IgnoreCase);

    if (match.Success)
    {
        string key = match.Groups[0].Value;
        Console.WriteLine(key);
    }
}

编辑：

这里有更多解释

显示名称
显示名称可以包含任意数量的单词，例如 John Michael Smith 是有效的，因为 John 是名字，Michael 是中间名，Smith 是姓氏。 Šljaker 也是有效的显示名称，因为它是某人的昵称，并且可能包含非英文字符。但是带有数字的名称是无效的，例如。 John1。为什么？这是我们的业务规则，没有数字 :) 我猜\w 可以在这里工作，而a-zA-Z 不会，因为它不会覆盖非英文字母。

区号
业务规则很简单：它必须包含 6 个数字，我们不关心它们的格式。 所有这些都是有效的区号：123456、12 34 56、1234 56 等。Regex 不需要修剪空格，我会在代码中处理。

任何帮助将不胜感激！

Answer 1

输入的规范写一个合适的正则表达式还是有点模糊。在编写正则表达式之前，有必要先了解一下规范，或者至少做出适用于您当前数据集的假设。

这是我写的正则表达式，正则表达式将验证整行。假设稍后出现。

^([a-zA-Z ]+)(?<! ) +((?:[0-9] *){6}) *#text( .*)?$

我只允许输入中的空格（ASCII 32）。如果您想允许制表符和其他空白字符，您可以用\s 替换正则表达式中的空格。

([a-zA-Z ]+)(?<! ) +：匹配并捕获显示名称。显示名称中只允许使用英文字母和空格。 (?<! ) 用于抑制捕获组的尾随空间；它还有一个不允许名称只有空格的效果。如果要允许 Unicode 中的任何字母匹配，请使用 [\p{L} ]+ 代替 [a-zA-Z ]+。

((?:[0-9] *){6})：正好是 6 个十进制数字，由任意数量的空格分隔。由于在此之前匹配了 1 个或多个 +，因此它不会允许数字粘在显示名称上。

 *#text( .*)?：我允许数字粘在标签上（例如Name 123456#text dfsjhdf）；将其更改为 +#text( .*)? 以禁止此操作。如果有更多评论，( .*)? 确保#text 后面有一个空格，或者#text 后面没有任何内容（例如Name 123456 #text）。

从此正则表达式中捕获的文本将：

• 显示名称：可能包含过多的前导空格和中间空格，但没有尾随空格。至少一个英文字母。
• 区号：包含正好 6 位数字。中间可能有任意空格，因此您可能需要处理匹配的字符串。

Answer 2

您可以将正则表达式模式替换为以下内容：

@"^([\D]+)\s*((?:\d\s*?){6})\s*\#text\s*(.*)$"

按顺序搜索

• 非数字序列（第 1 组）
• 后跟任意数量的空格
• 后跟正好 6 个数字，每个数字后跟可选的空格（第 2 组）
• 后跟任意数量的空格和文字“#text”，后跟可选的空格
• 接下来是线路的其余部分（第 3 组）

由于这是针对多行进行评估的，因此请考虑添加 RegexOptions.Compiled 标志（即：RegexOptions.IgnoreCase | RegexOptions.Compiled）。

显示名称存储为match.Groups[1].Value；区号为match.Groups[2].Value，文字为match.Groups[3].Value。