Menggunakan Regular Expressions REGEX untuk Pencatatan dan Ekstraksi Data Otomatis (Bagian 2)

Bagaimana saya mengekstrak informasi dari dokumen saya dengan REGEX?

Contoh Praktis

Pada artikel ini, kami akan menunjukkan kepada Anda bagaimana Anda dapat mengekstrak data dari dokumen Anda secara otomatis menggunakan ekspresi reguler multikomponen dalam PaperOffice. Data ini kemudian dapat digunakan untuk indeksasi dokumen.

Di bawah ini kami telah membuat sebuah dokumen contoh yang memiliki tanggal tertentu. Dokumen ini adalah sebuah faktur. Pola tanggal pada dokumen kami diformat seperti ini:

Informationen automatisiert aus Rechnungen extrahieren

Bulan, terdiri dari huruf-huruf, dengan huruf pertama selalu huruf kapital, diikuti oleh spasi, kemudian tanggal diikuti oleh koma, spasi lagi, dan tahun.

Contohnya: Sep 20, 2019 atau Mär 05, 2022

Untuk mengekstrak tanggal ini, kita dapat menggunakan ekspresi reguler (REGEX) berikut:

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

Mari kita jelaskan setiap grup dalam ekspresi ini. Grup-grup ini dipisahkan oleh tanda kurung ().

Pada grup pertama, kita mencari 3 huruf bulan: ([A-Z][a-zä]{2})

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

Mengekstrak nama bulan

• [A-Z] Rentang karakter ini berarti kita mencari satu huruf kapital dari A-Z. Misalnya huruf "S" dari "Sep". Perlu diingat bahwa huruf besar dan kecil dibedakan.
• [a-zä]{2} Rentang karakter ini berarti kita mencari dua huruf kecil dari a-z dan juga huruf "ä" (untuk nama bulan dalam bahasa Jerman "März"). Misalnya "ep" dari "Sep" atau "är" dari "Mär".

Lalu kita mencari spasi menggunakan karakter berikut: \s

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

Mengekstrak angka tanggal

Pada grup kedua, kita mencari desimal yang mewakili tanggal: (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})

Penandaan angka tanggal harus dibagi menjadi tiga instruksi yang berbeda.
Karena kita tidak tahu angka tanggal apa yang akan ada dalam dokumen, bisa berupa tanggal pertama (01) atau tanggal terakhir (31) dalam bulan tersebut, maka berbagai opsi harus ditentukan.
Ini dipisahkan oleh karakter "|".
Contoh: (1|2|3) = 1 atau 2 atau 3.

Di dalam tanda kurung siku adalah daftar karakter yang diizinkan. Penulisan beberapa tanda kurung siku sesuai dengan beberapa karakter.Jika suatu ekspresi harus menggambarkan beberapa karakter, cukup jelaskan karakter-karakter tersebut secara berurutan. Kemudian inputan dibandingkan dari kiri ke kanan dengan ekspresi Anda.

Tentu saja, tidak selalu perlu mencantumkan semua angka. Secara keseluruhan, ekspresi yang diapit dalam tanda kurung hanya merupakan satu karakter.

• 0[1-9] Rentang karakter ini berarti angka dapat dimulai dengan "0", diikuti oleh rentang angka dari 1 hingga 9. Jadi kita bisa mendapatkan angka antara 01-09.

Rentang karakter ini mencari angka yang dimulai dengan "0". Jika dokumen Anda biasanya tidak memiliki angka "0" sebelum angka "5" di dalam tanggal (misalnya "5 Maret 2022"), maka "0" pada rentang karakter ini dapat dihilangkan.

• [12][0-9] Rentang karakter ini berarti angka dapat dimulai dengan "1" atau "2", diikuti oleh rentang angka dari 0 hingga 9. Hasilnya bisa semua angka dari 10 hingga 29.
• 3[01] Rentang karakter ini berarti angka dapat dimulai dengan "3", diikuti oleh "0" atau "1". Hasilnya bisa 30 atau 31.

Setelah daftar opsi untuk tanggal ditetapkan, ekspresi untuk tahun harus ditentukan.

Sekarang kita mencari tanda koma dan spasi: ,\s

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

Mengekstrak angka tahun

Pada grup terakhir, kita mencari tahun: (20\d{2})

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

Dimulai dengan mencari angka tahun apa pun, tetapi kita tahu bahwa angka tahun pasti ≥ 2000.

• 20 Rentang karakter ini berarti kita sedang mencari tahun apa pun yang dimulai dengan tepat 20.
• \d{2} Rentang karakter ini berarti kita sedang mencari kemungkinan angka dua digit, yaitu dari "00" hingga "99".

Karakter \d, misalnya, berarti angka antara 0 dan 9, sedangkan \d{2} berarti mencari angka dua digit.

Variablen werden aus dem Dokument ausgelesen und bereitgestellt

Ketika ekspresi reguler ini diterapkan dalam PaperOffice, tanggal "Sep 20, 2019" menjadi hasilnya.

Dengan cara ini, setiap tanggal dalam dokumen dapat diekstrak tanpa harus mengetahui nilai aslinya sebelumnya. Gr

Extracting order numbers using REGEX

As another example, we want to extract the order number from the document.

Auftragsnummern werden aus dem Dokument extrahiert

The order number on our document is formatted as follows:

It always starts with the capital letters XYB, followed by a hyphen, followed by 8 digits, another hyphen, and finally 3 random capital letters.

Examples of order numbers could be:

XYB-12316723-LSH

XYB-98456723-JRD

To extract this order number, we can use the following regular expression:

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

Let's break down the expression step by step.

First, we search for exactly the first 3 capital letters followed by a hyphen: XYB-

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

Then, we search for 8 digits followed by another hyphen: \d{8}-

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

The character \d, as described before, represents a digit from 0 to 9. And \d{8} searches for an 8-digit number.

And finally, we search for 3 random capital letters: [A-Z]{3}

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

With this regular expression, PaperOffice would recognize the first two order numbers from the following examples:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

which are XYB-12316723-LSH and XYB-98456723-JRD

We have prepared a link to Regex101 with 4 examples listed using the regular expression described above. You can see that only two of the given order numbers meet our requirements.

Extracting item numbers using REGEX

The item number on our document is formatted as follows:

It always starts with two capital letters, followed by a hyphen, and then 6 digits.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Examples of item numbers could be:

MS-863398

DS-452829

To extract these item numbers, we can use the following regular expression:

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

Getting started is easier than you think.

Still have doubts that you can do it? Read case studies from our customers about how PaperOffice integrates into their business life and see for yourself the simplicity or simply request a test installation.