是否可以使用正则表达式来提取不同的文本块和多行？

Question

我想使用正则表达式从报告文档中提取不同的文本块 - 每个新页面在“FIRST NOTICE”前面都用 \x0c 表示 [未在下面显示]。我已经包含了一张带行号的图片以及文本，尽管格式可能是一个问题。

报告文本将包含 1..n 页 - 当数据返回时，每页都是单独的行项目。这些数据将被提取并转换为要输入数据库的行 [Number, Balance, Name, Address1, Address2, City, State, Zip]。

我需要提取的数据：

1. 号码 - 11-1-11111-1
2. 余额 - 1000.00
3. 姓名 - “DOEN, JOHN THOMAS”[第 14 行，第 7-50 栏]
4. 地址 - 2 到 3 行
5. 进一步 - 分为 Addr1/Addr2/City/State/Zip
6. 城市线：City ST Zip4 或 Zip-9
7. 城市可能包含空格

数量和余额相对容易获得 - 这是我遇到最多问题的名称和地址部分，我正在寻找一个单一的正则表达式，它将把每个项目拉到自己的组中。

地址在第 15-17 行和第 7-50 列。

这可能吗？

包含两页的示例文档：

 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001

Answer 1

正则表达式明确支持多行如下

Regex reg = new Regex(@"pattern1|pattern2", RegexOptions.Multiline);
var matches = reg.Matches("my text with /n lines");

Regex 的另一个方面是您可以将您的模式划分为段，这些段相当于要匹配的替代文本。请参阅vertical bar 上的这篇文章。使用从 reg.Matches 返回的 MatchCollection，您将能够提取数据。

我建议单独匹配名称和地址行，例如，如果您始终可以依赖字符串 ORIGINAL 与名称位于同一行的右侧，那么您可以单独编写正则表达式。正则表达式引擎将按顺序匹配模式，但您需要一些锚文本来清楚地搜索，然后获取相对于锚文本的值。然后，您需要解析并清除 Match 对象的返回值

更新 我之前的回答部分被编辑以删除无关信息

下面是一个包含解决方案的程序，正则表达式相对简单，所以我将把它分解给那些不熟悉第一个模式的语法的人：

^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)  

正则表达式包含 4 个单独的模式，由 | 分割，这意味着交替。

您可以测试模式here，注意不要添加任何额外的字符，并确保检查多行和忽略大小写选项。

^ 在我们通过正则表达式构造函数使用多行模式时捕获一行的开头

[A-Z, ] 捕获 A-Z、逗号和空格

+ 重复出现前面的令牌 1 次或多次相当于说 {1,}

(?=original....) 在这种情况下预测模式original....hence(?=pattern)

The lookahead 不捕获字符，只是匹配。

其他模式类似，尽管最后一个匹配锚点之前的几个空行这是本页的结尾，并设置了某些字符的最小/最大出现次数{2,50}

清除返回的令牌的 C# 示例 - 名称和地址 - 示例数据的 7 项。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text.RegularExpressions;

namespace RegexTester
{
    class Program
    {
        static string text = @"FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001";

        static void Main(string[] args)
        {
            string pattern = @"^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)";
            Regex regex = new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase);
            MatchCollection matches = regex.Matches(text);
            List<string> cleaned = matches.Cast<Match>().Select(x => x.Value.Trim()).ToList();
        }
    }
}