Koristite regularne izraze REGEX za automatsko prikupljanje i ekstrakciju podataka (Dio 2)

Kako izvući informacije iz svog dokumenta pomoću REGEX-a?

Primjeri iz prakse

U ovom članku ćemo vam demonstrirati kako možete izvući sve podatke iz dokumenta i automatski ih postaviti kao oznake dokumenata koristeći više elementne regularne izraze u PaperOffice-u.

U nastavku smo stvorili uzorak dokumenta koji ima određeni datum. U ovom dokumentu se radi o računu. Obrazac datuma u našem dokumentu je formatiran na sljedeći način:

Informationen automatisiert aus Rechnungen extrahieren

Mjesec, koji se sastoji od slova, ali prvo slovo je uvijek veliko, zatim slijedi razmak, zatim dan, nakon kojeg slijedi zarez, još jedan razmak i zatim godina.

Na primjer: Sep 20, 2019 ili Mär 05, 2022

Za izvlačenje ovog datuma možemo koristiti sljedeći regularni izraz (REGEX):

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

Dozvolite da razbijemo izraz na pojedinačne grupe. Ove grupe su odvojene običnim zagradama ().

U prvom setu tražimo 3 slova mjeseca: ([A-Z][a-zä]{2})

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

Izdvajanje naziva mjeseca

• [A-Z] Ovaj niz znakova znači da tražimo veliko slovo A-Z. Na primjer, slovo „S“ u riječi Septembar. Imajte na umu da se velika i mala slova razlikuju.
• [a-zä]{2} Ovaj niz znakova znači da tražimo dvije mala slova a-z i također ä (za naziv mjeseca na njemačkom - "März"). To bi bilo ep od „Sep“ ili är od njemačkog „Mär“.

Zatim tražimo razmak s sljedećim nizom znakova: \s

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

Izdvajanje dana

U drugom setu tražimo oznaku za dan brojkama: (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})

Oznaka za dan mora biti podijeljena na tri različite upute.
Kako ne znamo koju oznaku dana možemo imati u dokumentu, može biti prvi dan (01) ili zadnji dan (31) u mjesecu, pa stoga moramo navesti različite mogućnosti.
One su odvojene znakom „|“.
Primjer: (1|2|3) = 1 ili 2 ili 3.

U uglatim zagradama dolazi niz dopuštenih znakova. Više nizova u uglatim zagradama znači više znakova.Ako izraz treba opisati više znakova, jednostavno ih povezujemo. Zatim se uneseni niz uspoređuje s izrazom s lijeva na desno.

Naravno, uvijek nije potrebno navesti sve brojeve. Ukupno zagradna cjelina predstavlja samo jedan znak.

• 0[1-9] Ovaj niz znakova znači da broj može početi s „0“, a slijedi broj od 1 do 9. Dakle, dobivamo proizvoljan broj od 01 - 09.

Ovaj niz znakova traži uzorak brojeva koji započinje sa nulom. Ako je vaš dokument obično datum „5. ožujak 2022.“, dakle bez nule ispred broja 5, onda će se nula izuzeti iz niza znakova.

• [12][0-9] Ovaj niz znakova znači da broj može početi s „1“ ili „2“, a slijedi proizvoljan broj od 0 do 9. Rezultat može biti proizvoljni broj od 10 - 29.
• 3[01] Ovaj niz znakova znači da broj može početi s „3“, a slijedi „0“ ili „1“. Rezultat može biti 30 ili 31.

Nakon što su definirane opcije za dan, trebali bismo odrediti izraz za godinu.

Sada tražimo zarez i razmak: ,\s

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

Izdvajanje godine

U posljednjem setu tražimo godinu: (20\d{2})

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

Počinjemo pretraživati simpbnu godinu, ali znamo da će biti ≥ 2000.

• 20 Ovaj niz znakova znači da tražimo bilo koju godinu koja počinje s točno 20.

Izlistavanje broja narudžbe pomoću REGEX-a

Kao dodatan primjer želimo izvući broj narudžbe iz dokumenta.

Auftragsnummern werden aus dem Dokument extrahiert

Broj narudžbe na našem dokumentu je formatiran na sljedeći način:

On počinje uvijek velikim slovima XYB, zatim slijedi povlačenje, zatim 8 brojeva, još jedno povlačenje i na kraju 3 proizvoljna velika slova.

Primjeri brojeva narudžbi su:

XYB-12316723-LSH

XYB-98456723-JRD

Da bismo izvukli ovaj broj narudžbe, možemo koristiti sljedeći redovni izraz:

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

Idemo razdvojiti izraz na komponente.

Prvo tražimo prvih 3 velikih slova sa simbolom crte: XYB-

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

Zatim tražimo 8 brojeva, nakon toga ide još jedna crta:\d{8}-

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

Karakter \d, kao što smo već objasnili, predstavlja cifru od 0 do 9, a karakter \d{8} traži osmobrojan broj.

I na kraju tražimo 3 proizvoljna velika slova: [A-Z]{3}

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

Zato će PaperOffice prepoznati prva dva broja narudžbe XYB-12316723-LSH i XYB-98456723-JRD iz ova četiri broja narudžbe:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

Ovog smo puta pripremili Regex101 link koji sadrži četiri primjera navedenog redovnog izraza. Vidjet ćete da samo dva od navedenih brojeva narudžbi zadovoljavaju naše zahtjeve.

Izlistavanje šifre artikla pomoću REGEX-a

Šifra artikla na našem dokumentu je formatirana na sljedeći način:

Ona uvijek započinje sa dva velika slova, zatim slijedi povlačenje, nakon toga ide 6 cifara.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Primjeri šifre artikla su:

MS-863398

DS-452829

Da bismo izdvojili ove šifre artikla, možemo koristiti sljedeći redovni izraz:

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

Počnite je lakše nego što mislite.

Ako još uvijek imate brige da li ćete uspjeti, pročitajte studije slučaja naših korisnika o integraciji PaperOffice-a u vaše poslovni život ili jednostavno zatražite testnu instalaciju.