Com extragui informació del meu document amb REGEX?
Exemples pràctics
A l'article actual, us mostrem com extreure automàticament qualsevol dada del document amb expressions regulars multi-element, com PaperOffice.
A continuació us presentem un document de mostra que conté una data específica. En aquest document, es tracta d'una factura. El format de la data al nostre document és el següent:
Informationen automatisiert aus Rechnungen extrahieren
Mes, format per lletres, però sempre la primera lletra en majúscula, després un espai, després el dia, una coma i un altre espai i, finalment, l'any.
Per exemple: Sep 20, 2019 o Mär 05, 2022
Per extreure aquesta data, podem utilitzar l'expressió regular (REGEX) següent:
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
Anem a desglossar l'expressió en grups individuals. Aquests grups estan separats per parèntesis simples ().
En el primer grup, busquem les 3 lletres dels mesos: ([A-Z][a-zä]{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
Extreure mes
- [A-Z] Aquesta cadena de caràcters significa que busquem una lletra majúscula d'A a Z. Per exemple, la lletra "S" de "Sept". Cal tenir en compte que és diferent entre majúscules i minúscules.
- [a-zä]{2} Aquesta cadena de caràcters significa que busquem dues lletres minúscules de a a z i també la "ä" (per al nom del mes, en alemany "März"). Seria el "ep" de "Sep" o el "är" de "Mär" en alemany.
A continuació, busquem un espai amb la següent cadena de caràcters: \s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
Extreure dia
En el segon grup, busquem la indicació del dia en números: (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})
La indicació del dia ha de ser diferent en tres indicacions. Com no sabem quina indicació apareixerà al document, pot ser el primer dia (01) o també l'últim dia (31) del mes, cal indicar-ho adequadament amb les diferents opcions. Aquestes opcions són separades pel caràcter "|". Exemple: (1|2|3) = 1 o 2 o 3.
Dins dels claudàtors, s'assemblen quin caràcter s'accepta. Múltiples claudàtors quadrats corresponen a múltiples caràcters. Per descriure múltiples caràcters amb una expressió, es col·loquen junts. Aleshores, la sequència proporcionada es compara amb el seu patró de l'esquerra a la dreta.
- 0[1-9] Aquesta cadena de caràcters significa que el número pot començar amb un "0", seguit d'un número de 1 a 9. Podem obtenir qualsevol número de l'01 a l'09.
Aquesta expressió busca un patró numèric que comenci amb zero. Si el vostre document normalment conté una data de "5 de març del 2022", és a dir, sense que hi hagi un zero davant del número "5", aquest zero s'omiteix a l'expressió.
- [12][0-9] Aquesta cadena de caràcters significa que el número pot començar amb un "1" o un "2", seguit de qualsevol número de 0 a 9. Com a resultat, pot sortir qualsevol número de l'10 al 29.
- 3[01] Aquesta cadena de caràcters significa que el número pot començar amb un "3", seguit pel "0" o el "1". Com a resultat, podem obtenir el 30 o el 31.
Després de definir les opcions per al dia, cal determinar l'expressió per a l'any.
Ara busquem la coma i l'espai: ,\s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
Extreure any
En l'últim grup, busquem l'any: (20\d{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
Comencem buscant qualsevol any, però sabem que serà ≥ 2000.
- 20 Aquesta cadena de caràcters significa que busquem qualsevol any començant exactament per 20.
- \d{2} Aquesta cadena de caràcters significa que busquem un possible número de dues xifres, és a dir, de "00" a "99".
