Brug regulære udtryk REGEX til automatiseret dataindsamling og -ekstraktion (Del 2)

Hvordan ekstraherer jeg oplysninger fra mit dokument ved hjælp af REGEX?

Praktiske eksempler

I den følgende artikel vil vi demonstrere, hvordan du ved hjælp af flerleddede regulære udtryk (REGEX) kan ekstrahere enhver form for data fra et dokument i PaperOffice og automatisk tilføje det som nøgleord til dokumentet.

Nedenfor har vi oprettet et eksempeldokument, der har en bestemt dato. Dette dokument er en faktura. Mønstret for datoen i vores dokument er formateret som følger:

Informationen automatisiert aus Rechnungen extrahieren

Måneden, der består af bogstaver, hvor det første bogstav altid er stort, efterfulgt af et mellemrum, derefter dagen efterfulgt af et komma, endnu et mellemrum og derefter året.

For eksempel: Sep 20, 2019 eller Mär 05, 2022

For at ekstrahere denne dato kan vi bruge følgende regulære udtryk (REGEX):

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

Lad os nedbryde udtrykket i individuelle grupper. Disse grupper adskilles af almindelige parenteser ().

I den første gruppe søger vi efter de 3 bogstaver, der repræsenterer måneden: ([A-Z][a-zä]{2})

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

Ekstrahering af månedsdato

• [A-Z] Dette tegn angiver, at vi leder efter et stort bogstav fra A-Z. For eksempel bogstavet „S“ fra Sept. Bemærk, at store og små bogstaver behandles forskelligt.
• [a-zä]{2} Dette tegn angiver, at vi leder efter to små bogstaver fra a-z og også bogstavet ä (til den månedlige navn i tysk „März“). For eksempel ep fra "Sep" eller är fra "Mär".

Derefter leder vi efter et mellemrum med følgende tegn: \s

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

Ekstrahering af dagsdato

I den anden gruppe søger vi efter en numerisk angivelse af dagen: (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})

Dagsdelen skal adskilles ved hjælp af tre separate anvisninger.
Da vi ikke ved, hvilke datoangivelser der kan forekomme i dokumentet, kan den første dag (01) eller den sidste dag (31) i måneden forekomme, så forskellige muligheder skal specificeres.
Dette sker ved hjælp af tegnet „|“, der adskiller muligheder.
Eksempel: (1|2|3) = 1 eller 2 eller 3.

I kantede parenteser følger en liste over tilladte tegn. Mere end ét sæt kantede parenteser svarer til flere tegn.Hvis et udtryk skal beskrive flere tegn, placeres de simpelthen efter hinanden. Derefter sammenlignes indtastningen fra venstre mod højre med dit udtryk.

Det er selvfølgelig heller ikke altid nødvendigt at angive alle tal. Den fulde indkapslede udtryk repræsenterer dog kun ét tegn.

• 0[1-9] Dette tegn angiver, at tallet kan starte med en "0", og derefter kan det være ethvert tal mellem 1 og 9. Så vi får et hvilket som helst tal mellem 01 og 09.

Dette tegn søger efter et tal, der begynder med et "0". Hvis dit dokument normalt har en datoangivelse "5. marts 2022", uden at tallet "0" er placeret foran tallet "5", vil "0" blive udeladt i dette tegn.

• [12][0-9] Dette tegn angiver, at tallet kan starte med en "1" eller en "2", og derefter kan det være ethvert tal mellem 0 og 9. Resultatet kan være ethvert tal mellem 10 og 29.
• 3[01] Dette tegn angiver, at tallet kan starte med en "3", og derefter kan det være en "0" eller en "1". Resultatet kan være 30 eller 31.

Efter at mulighederne for dagen er defineret, skal udtrykket for året bestemmes.

Nu leder vi efter kommaet og mellemrummet: ,\s

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

Ekstrahering af årsangivelse

I den sidste gruppe søger vi efter året: (20\d{2})

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

Vi begynder med at søge efter ethvert år, men vi ved, at det vil være ≥ 2000.

• 20 Dette tegn angiver, at vi leder efter ethvert år, der begynder med præcist 20.
• \d{2} Dette tegn angiver, at vi leder efter et potentielt to-cifret tal, det vil sige fra "00" til "99".

Tegnet \