איך לחלץ מידע מהמסמך שלי באמצעות REGEX?
דוגמאות מעשיות
במאמר הנוכחי נדגים לכם כיצד תוכלו להוציא כל נתון מהמסמך בעזרת ביטויים רגולריים מולטי-איבריים ב-PaperOffice ולהוסיפם אוטומטית כמילות מפתח למסמך.
להלן יצרנו מסמך דוגמה המכיל תאריך מסוים. במסמך זה מדובר בחשבונית. תבנית התאריך במסמך שלנו מעוצבת באופן הבא:
Informationen automatisiert aus Rechnungen extrahieren
חודש המורכב מאותיות, אך האות הראשונה תמיד תיכתב באותיות גדולות, ואחריה רווח, ולאחר מכן היום שאחריו פסיק, רווח נוסף ואז השנה.
לדוגמה: Sep 20, 2019 או מאר 05, 2022
כדי לחלץ את התאריך הזה, נוכל להשתמש בביטוי הרגולרי (REGEX) הבא:
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
בואו נפרק את הביטוי לקבוצות נפרדות. קבוצות אלו מופרדות על ידי סוגריים פשוטים ().
בקבוצה הראשונה נחפש את אותי החודש: ([A-Z][a-zä]{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
חילוץ שם החודש
- [A-Z] מחרוזת זו מציינת שאנו מחפשים אותיות גדולות מ-A-Z. לדוגמה האות „S“ מ-Sept. יש לציין שהאותיות הגדולות והקטנות מופרדות.
- [a-zä]{2} מחרוזת זו מציינת שאנו מחפשים שתי אותיות קטנות מ-a-z גם ä (לשם החודש בשפה הגרמנית „März“). זהו ep מ-„Sep“ או är מהגרמנית „Mär“.
לאחר מכן נחפש רווח עם המחרוזת: \s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
חילוץ שם היום
בקבוצה השנייה נחפש את היום בתצורה של מספרים: (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})
יש להפריד את היום לשלוש הנחיות שונות.
מאחר ואיננו יודעים איזה יום מופיע במסמך, ייתכן שמדובר ביום הראשון (01) או ביום האחרון (31) של החודש, לכן יש לציין אפשרויות שונות.
אפשרויות אלו מופרדות על ידי התו „|“.
לדוגמה: (1|2|3) = 1 או 2 או 3.
בסוגריים מרובעים מופיעה רשימת תווי מותרות. מספר סוגריים מרובעים מציינות מספר תווים.אם אפשרות אחת מציינת מספר תווים, הם יתכתבו אחד אחרי השני. לאחר מכן נעשית בדיקה של הביטוי משמאל לימין עם הביטוי שלך.
כמובן שאין צורך לציין כל מספר. הביטוי המקיף יספק תוצאה עבור כל תו.
- 0[1-9] מחרוזת זו מציינת שמספר יכול להתחיל ב-"0" ואחריו מספר מ- 1 עד 9. כך נקבל מספר מ-01 ועד 09.
מחרוזת זו מחפשת תבנית מספר המתחילה באפס. אם במסמך שלך מופיע תאריך כמו "5. מארס 2022", ללא הספרה "0" לפני ה-5, אז ה-"0" תושמט מהמחרוזת.
- [12][0-9] מחרוזת זו מציינת שמספר יכול להתחיל ב-"1" או "2", ואחריו מספר מ- 0 עד 9. התוצאה יכולה להיות מספר מ-10 עד 29.
- 3[01] מחרוזת זו מציינת שמספר יכול להתחיל ב-“3”, ואחריו “0” או “1”. התוצאה יכולה להיות 30 או 31.
לאחר שהגדרנו את היום, נעבור להגדרת הביטוי עבור השנה.
עכשיו נחפש את הפסיק והרווח: ,\s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
חילוץ השנה
בקבוצה האחרונה נחפש את השנה: (20\d{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
נתחיל בחיפוש כל שנה, אם כי נידע שהיא גדולה או שווה ל-2000.
- 20 מחרוזת זו מציינת שאנו מחפשים כל שנה המתחילה בדיוק ב-20.
- \d{2} מחרוזת זו מציינת שאנו מחפשים מספר כפול, כלומר מ-"00" עד "99".
התו \d מציין לדוגמה ספרה בין 0 ל-9, בעוד \d{2} מחפש מספר כפול.
Variablen werden aus dem Dokument ausgelesen und bereitgestellt
כאשר נשתמש בביטוי רגולרי זה ב-PaperOffice, התוצאה הסופית שתתקבל תהיה התאריך „Sep 20, 2019“.
כך ניתן לחלץ כל תאריך ממסמך, מבלי לדעת את ערך המקור. קבוצות אלו יכולות לשמש בכל מקום אחר ולהיות מועברות חופשי כדי לקרוא תבניות תאריך אחרות.
כאן דוגמה נוספת:
Rechnungen mit verschiedenen Formaten können leicht ausgelesen werden
התאריך מתחיל ביום, אחריו החודש באותיות, כאשר האות הראשונה תמיד תיכתב באותיות גדולות, ואחריו נקודה, רווח נוסף ואז השנה.
כדי לחלץ תאריך זה, נוכל להשתמש בביטוי הרגולרי שהוסבר קודם, עם תיקון קל, כי בדוגמה השנייה נקבע נקודה לאחר החודש.
זה ניתן לציון עם המחרוזת: \.
הביטוי הסופי ייראה כך:
(0[1-9]|[12][0-9]|3[01])\s([A-Z][a-zä]{2})\.\s(20\d{2})
תוכלו בכל עת לאמת ה-Regex שיצרתם על ידי הכנסת הביטוי יחד עם הטקסט באתר https://regex101.com. Regex101 לא רק יבדוק אם ה-Regex שלך נכון, אלא גם יסביר את הביטוי הרגולרי באופן רחב.
כך תוכלו להשתמש בקבוצות התווים השונות לכל דבר.
