Használjon reguláris kifejezéseket REGEX automatizált adatgyűjtéshez és adatkinyeréshez (2. rész)

Hogyan hozhatok ki információt a dokumentumból REGEX segítségével?

Gyakorlati példák

Ebben a cikkben bemutatjuk, hogyan tudja a PaperOffice segítségével a dokumentumból bármilyen adatot REGEX segítségével kinyerni, majd automatikusan címkézve a dokumentumhoz társítani.

Összeállítottunk egy mintadokumentumot, amelyben egy meghatározott dátum található. Ez a dokumentum egy számla. A dátumminta a dokumentumon a következő módon van formázva:

Informationen automatisiert aus Rechnungen extrahieren

A hónap betűkkel van megadva, ahol az első betű mindig nagybetűs. Erre egy szóköz következik, majd a nap, amiután vessző következik, majd újabb szóköz, majd az év.

Például: Sep 20, 2019 vagy Mär 05, 2022

Az adat kinyeréséhez a következő reguláris kifejezést (REGEX) használhatjuk:

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

Részekre bontjuk az egyes csoportokat. Ezeket a csoportokat egyszerű zárójelekkel () választjuk el egymástól.

Az első csoportban a 3 betűs hónapneveket keressük: ([A-Z][a-zä]{2})

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

Hónap kinyerése

• [A-Z] Ez a karakterlánc azt jelenti, hogy keresni fogunk egy nagybetűt az „A” és „Z” között. Például a „S“ betűt a „Sept“ szóból. Fontos tudni, hogy a kis- és nagybetű külön kezelt.
• [a-zä]{2} Ez a karakterlánc azt jelenti, hogy két kisbetűt keresünk az a és z betűk között, valamint az ä karaktert (a „März“ hónapnév német nyelven). Ez lehet a „ep“ a „Sep“ szóból vagy a „är“ a „Mär“ német szóból.

Azután keresünk egy szóközt a következő karakterlánccal: \s

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

Nap kinyerése

A második csoportban számokkal keresünk az adott napot megjelölő feliratot: (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})

A dátumot 3 különböző utasítással kell elválasztani.
Mivel nem tudhatjuk, hogy a dokumentumban milyen dátum található (lehet az hónap első napja (01) vagy az utolsó napja (31)), ezért különböző lehetőségeket kell megadni.
Ezeket az opciókat a „|” karakterrel választjuk el.
Példa: (1|2|3) = 1 vagy 2 vagy 3.

Szögletes zárójelben megadhatunk egy megengedett karakterekből álló listát. Több szögletes zárójel több karakterre vonatkozik.Ha egy kifejezés több karaktert ír le, akkor ezek egymás után következnek. Az összehasonlítás balról jobbra történik.

Természetesen nem mindig kell mindegyik számot felsorolni. A klózok általánosságban csak egy karakterre vonatkoznak.

• 0[1-9] Ez a karakterlánc azt jelenti, hogy a szám egy „0” karakterrel kezdődhet, és utána bármelyik szám lehet 1 és 9 között. Tehát bármelyik szám 01 és 09 között.

Ez a karakterlánc egy mintát keres, amely egy nulla karakterrel kezdődik. Ha a dokumentumnak alapvetően úgy kell megadnia a dátumot, hogy „2022. március 5.”, és nem tartalmazza azt, hogy a „5” szám előtt álljon a „0”, akkor a karakterláncban a „0” karaktert elhagyjuk.

• [12][0-9] Ez a karakterlánc azt jelenti, hogy a szám egy „1” vagy „2” karakterrel kezdődhet, és utána bármelyik szám lehet 0 és 9 között. Eredményként bármelyik szám 10 és 29 között kapható.
• 3[01] Ez a karakterlánc azt jelenti, hogy a szám egy „3” karakterrel kezdődhet, és utána egy „0” vagy „1” karakter következik. Eredményként a 30 vagy 31 lehet.

A napot követően az évet kell meghatározni.

A következő lépésben a vesszőt és a szóközt keresjük: ,\s

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

Évszám kinyerése

Az utolsó csoport

Rendelésszám kinyerése REGEX segítségével

Mint további példát mutatunk, szeretnénk kinyerni a rendelésszámot a dokumentumból.

Auftragsnummern werden aus dem Dokument extrahiert

A rendelésszám a dokumentumunkon a következő formában van formázva:

Ez mindig a XYB nagybetűkkel kezdődik, utána következik egy kötőjel, majd 8 számjegy, egy további kötőjel, és végül 3 véletlenszerű nagybetű.

A rendelésszám példái:

XYB-12316723-LSH

XYB-98456723-JRD

A rendelésszám kinyeréséhez a következő reguláris kifejezést használhatjuk:

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

Hagyjuk, hogy a kifejezést apránként elemezzük.

Elsőként pontosan megkeressük az első 3 nagybetűt kötőjel-szimbólummal: XYB-

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

Ezt követően 8 számjegyet és egy újabb kötőjelet keresünk: \d{8}-

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

Az \d karakter, amint azt már említettük, 0 és 9 közötti számjegyekre utal, a \d{8} pedig egy 8 jegyű számot keres.

És végül keresünk még 3 tetszőleges nagybetűt: [A-Z]{3}

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

Tehát a PaperOffice a következő rendelésszámokból:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

az első kettőt XYB-12316723-LSH és XYB-98456723-JRD

fogja felismerni.

Egy Regex101 linket állítottunk össze a példához, amelyen a fenti kifejezés 4 példával van felsorolva. Látható, hogy csak a megadott rendelésszámok közül kettő felel meg a követelményeknek.

Cikkszámok kinyerése REGEX segítségével

A cikszám a dokumentumunkon a következő formában van formázva:

Állandóan két nagybetűvel kezdődik, utána következik egy kötőjel, majd 6 számjegy.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

A cikkszám példái:

MS-863398

DS-452829

A cikkszámok kinyeréséhez a következő reguláris kifejezést használhatjuk:

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

Nyújtson be, egyszerűbb, mint gondolná.

Még mindig aggódik amiatt, hogy nem sikerül? Olvassa el ügyfeleink esettanulmányait, amelyek a PaperOffice integrációjáról a mindennapi munkához, és győződjön meg saját maga a könnyed használatról, vagy kérjen egy teszt telepítést.