Použijte regulární výrazy REGEX pro automatizovaný sběr a extrakci dat (část 2)

Jak extrahovat informace z mého dokumentu pomocí REGEX?

Příklady z praxe

V tomto článku vám ukážeme, jak pomocí víceprvkových regulárních výrazů v PaperOffice extrahovat libovolná data z dokumentu a automaticky je uložit jako meta informace k dokumentu.

Níže jsme vytvořili vzorový dokument, který obsahuje specifické datum. V tomto dokumentu se jedná o fakturu. Vzor data v našem dokumentu je formátováno takto:

Informationen automatisiert aus Rechnungen extrahieren

Měsíc, složený z písmen, přičemž první písmeno je vždy velké, následuje mezera, poté den následovaný čárkou, další mezera a pak rok.

Například: Sep 20, 2019 nebo Mär 05, 2022

Abyste toto datum extrahovali, můžete použít následující regulární výraz (REGEX):

([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})

Převedeme tento výraz na jednotlivé skupiny. Tyto skupiny jsou odděleny jednoduchými závorkami ().

Ve skupině číslo jedna hledáme po třech písmenech měsíce: ([A-Z][a-zä]{2})

([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})

Extrahovat měsíc

• [A-Z] Tato řetězec znamená, že hledáme velké písmeno od A do Z. Například písmeno „S“ ve slově Sept. Je důležité si uvědomit, že velká a malá písmena jsou rozlišována.
• [a-zä]{2} Tato řetězec znamená, že hledáme dvě malá písmena od a do z a také písmeno ä (pro měsíční název v německém jazyce „März“). Například ep z „Sep“ nebo är z německého „Mär“.

Dále hledáme mezeru s následujícím řetězcem: \s

([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})

Extrahovat den

Ve druhé skupině hledáme číslicové označení dne: (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})

Číslové označení dne musí být odděleno třemi různými instrukcemi.
Protože nevíme, jaké číslové označení měsíce se může v dokumentu objevit, může to být první den (01) nebo poslední den (31) měsíce, musíme definovat různé možnosti.
Tyto možnosti jsou odděleny pomocí znaku „|“.
Příklad: (1|2|3) = 1 nebo 2 nebo 3.

V hranaté závorce následuje seznam povolených znaků. Více hranatých závorek znamená více znaků.
Pokud má výraz popisovat více znaků, jednoduše je za sebe připojíme. Porovnávání začíná zleva do prava.

Samozřejmě také nemusíte vždy uvést všechna čísla. Celý vymezený výraz však odpovídá pouze jednomu znaku.

• 0[1-9] Tento řetězec znamená, že číslo může začít číslicí 0, následovanou číslicí od 1 do 9. Takže dostaneme jakékoliv číslo od 01 do 09.

Tento řetězec vyhledává vzor čísel, který začíná nulou. Pokud váš dokument obvykle obsahuje data ve formátu „5. března 2022“ (tedy bez nuly před číslem „5“), vynecháme nulu v řetězci.

• [12][0-9] Tento řetězec znamená, že číslo může začínat číslem 1 nebo 2, následovaným libovolnou číslicí od 0 do 9. Výsledkem může být libovolné číslo od 10 do 29.
• 3[01] Tento řetězec znamená, že číslo může začínat číslem 3, následované číslem 0 nebo 1. Výsledkem může být jak 30, tak 31.

Po definování možností pro den by měl být výraz pro rok určen.

Nyní hledáme čárku a mezerník: ,\s

([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})

Přečtěte si číslo zakázky pomocí REGEX

Jako další příklad chceme z dokumentu přečíst číslo zakázky.

Auftragsnummern werden aus dem Dokument extrahiert

Číslo zakázky na našem dokumentu je formátováno následovně:

Začíná vždy velkými písmeny XYB, za tím následuje pomlčka, poté následuje 8 číslic, další pomlčka a nakonec 3 náhodná velká písmena.

Příklady čísel zakázek by byly:

XYB-12316723-LSH

XYB-98456723-JRD

Abychom toto číslo zakázky extrahovali, můžeme použít následující regulární výraz:

XYB-\d{8}-[A-Z]{3}

Dovolte nám přiblížit tento výraz.

Nejprve hledáme přesně prvních 3 velká písmena s pomlčkou: XYB-

XYB-\d{8}-[A-Z]{3}

Poté hledáme 8 číslic následovaných další pomlčkou: \d{8}-

XYB-\d{8}-[A-Z]{3}

Znak \d, jak již bylo popsáno, znamená číslici od 0 do 9, znak \d{8} znovu značí vyhledání osmimístného čísla.

A nakonec hledáme 3 libovolné velká písmena: [A-Z]{3}

XYB-\d{8}-[A-Z]{3}

Tímto způsobem by PaperOffice rozpoznal z následujících čísel zakázek:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

první dvě XYB-12316723-LSH a XYB-98456723-JRD

.

K tomuto příkladu jsme připravili odkaz na Regex101, kde je uveden právě popsaný regulární výraz se 4 příklady. Uvidíte, že naše požadavkům vyhovují pouze dvě z uvedených čísel zakázek.

Přečtěte si čísla položek díky REGEX

Číslo položky na našem dokumentu je formátováno následovně:

Začíná vždy dvěma velkými písmeny, za tím následuje pomlčka a poté 6 číslic.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Příklady čísel položek by byly:

MS-863398

DS-452829

Abychom tato čísla položek extrahovali, můžeme použít následující regulární výraz:

[A-Z]{2}-\d{6}

Začít je snazší, než si myslíte.

Stále máte obavy, že se to nepodaří? Přečtěte si případové studie našich zákazníků o integraci PaperOffice do svého obchodního života a přesvědčte se sami o jednoduchosti nebo požádejte o testovací instalaci.