كيف أستخرج المعلومات من مستندي باستخدام REGEX؟
أمثلة عملية
في المقال الحالي نوضح لكم كيف يمكنكم بفضل التعبيرات العادية متعددة العناصر في PaperOffice استخراج أي بيانات من المستند وتخزينها تلقائيًا كالكلمات الدلالية للمستند.
أنشأنا فيما يلي مستندًا نموذجيًا يحتوي على تاريخ محدد. في هذا المستند، نحن نتعامل مع فاتورة. يتم تنسيق نمط التاريخ في مستندنا كما يلي:
Informationen automatisiert aus Rechnungen extrahieren
شهر مكوّن من حروف، ولكن الحرف الأول دائمًا كبير، يليه مسافة، ثم اليوم يليه فاصلة، ثم مسافة أخرى، ثم السنة.
على سبيل المثال: 20 Sep 2019 أو 05 Mär 2022
لاستخراج هذا التاريخ، يمكننا استخدام التعبير العادي (REGEX) التالي:
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
دعونا نحلل التعبير إلى مجموعات فردية. هذه المجموعات تكون مفصولة بأقواس بسيطة ().
في المجموعة الأولى نبحث عن حروف الثلاثة الأشهر: ([A-Z][a-zä]{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
استخراج اسم الشهر
- [A-Z] تشير سلسلة الأحرف هذه إلى أننا نبحث عن حرف كبير من A-Z. على سبيل المثال الحرف „S“ من Sept. يجب ملاحظة أن الحروف الكبيرة والصغيرة تُعامل بشكل منفصل.
- [a-zä]{2} تشير سلسلة الأحرف هذه إلى أننا نبحث عن حرفين صغيرين من a-z وأيضًا ä (لشهر مارس في اللغة الألمانية „März“). سيكون ذلك ep من „Sep“ أو är من الألمانية „Mär“.
ثم نبحث عن مسافة باستخدام سلسلة الأحرف التالية: \s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
استخراج اليوم
في المجموعة الثانية نبحث عن اسم اليوم بالأرقام: (0[1-9]|[12][0-9]|3[01])
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
يجب فصل اسم اليوم بتعليمات ثلاث.
لأننا لا نعرف أي تاريخ قد يكون في المستند، يمكن أن يكون اليوم الأول (01) أو حتى اليوم الأخير (31) للشهر، لذا يجب تسمية خيارات متعددة كما هو مطلوب.
هذه الخيارات تكون مفصولة بعلامة „|“.
مثال: (1|2|3) = 1 أو 2 أو 3.
في أقواس مربعة، تتبع عدة حروف مسموح بها. عدة أقواس مربعة تشير إلى عدة حروف.إذا كان تعبير يصف عدة حروف، يتم وضعها متتابعة. ثم يتم مقارنة الإدخال من اليسار إلى اليمين مع التعبير الخاص بكم.
بالطبع، ليس من الضروري دائمًا ذكر جميع الأرقام. ككل، يشير التعبير بأكمله ذو الأقواس البسيطة إلى حرف واحد فقط.
- 0[1-9] تشير سلسلة الأحرف هذه إلى أن الرقم يمكن أن يبدأ بـ "0"، متبوعًا برقم من 1 إلى 9. نحصل إذًا على أي رقم من 01 – 09.
تبحث سلسلة الأحرف عن نمط رقمي يبدأ بصفر. إذا كان مستندكم عادة يحتوي على تاريخ "5. مارس 2022"، أي بدون وضع الرقم "0" قبل الرقم "5"، يتم حذف "0" من سلسلة الأحرف.
- [12][0-9] تشير سلسلة الأحرف هذه إلى أن الرقم قد يبدأ بـ "1" أو حتى "2"، متبوعًا بأي رقم من 0 إلى 9. يمكن أن يكون الناتج أي رقم من 10 - 29.
- 3[01] تشير سلسلة الأحرف هذه إلى أن الرقم قد يبدأ بـ "3"، متبوعًا بـ "0" أو "1". يمكن أن يكون الناتج 30 أو 31.
بعد تحديد الخيارات الخاصة باليوم، يجب تحديد التعبير للسنة.
نبحث الآن عن الفاصلة والمسافة: ,\s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
استخراج السنة
في المجموعة الأخيرة نبحث عن السنة: (20\d{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
نبدأ ببحثنا عن أي سنة، ولكننا نعرف أن السنة ستكون ≥ 2000.
- 20 تشير سلسلة الأحرف هذه إلى أننا نبحث عن أي سنة تبدأ بالرقمين 20.
- \d{2} تشير سلسلة الأحرف هذه إلى أننا نبحث عن رقمين، من "00" إلى "99".
يشير الرمز \d إلى رقم بين 0 و 9، بينما يبحث الرمز \d{2} عن رقمين.
Variablen werden aus dem Dokument ausgelesen und bereitgestellt
عند تطبيق التعبير العادي في PaperOffice، ستكون النتيجة النهائية هي التاريخ „20 Sep 2019“.
بهذه الطريقة، يمكن استخراج أي تاريخ من مستند دون الحاجة إلى معرفة القيمة الأصلية. يمكن استخدام هذه المجموعات في أي مكان آخر ونقلها بحرية لقراءة صيغ تواريخ أخرى.
مثال آخر:
Rechnungen mit verschiedenen Formaten können leicht ausgelesen werden
يبدأ التاريخ باليوم، يليه الشهر، المكوّن من حروف، ولكن الحرف الأول دائمًا كبير، يليه نقطة، ثم مسافة أخرى، ثم السنة.لاستخراج هذا التاريخ، يمكن استخدام التعبير العادي (REGEX) الذي تم شرحه للتو، مع إضافة تكملة إضافية، لأن المثال الثاني يتضمن نقطة بعد الشهر.
يمكن التعبير عن هذه النقطة بسلسلة الأحرف التالية: \.
بالتالي، يكون التعبير الكامل على النحو التالي:
(0[1-9]|[12][0-9]|3[01])\s([A-Z][a-zä]{2})\.\s(20\d{2})
يمكنكم دائماً التحقق من صحة Regex الذي أنشأتموه عن طريق إدخال النص الخاص بكم مع Regex في الموقع https://regex101.com. لن يتحقق Regex101 فقط من صحة Regex الخاص بكم، بل سيشرح لكم التعبير العادي بشكل واسع.
وبذلك يمكنكم استخدام مختلف مجموعات الرموز لأي شيء.
