Bruk av regulære uttrykk REGEX for automatisert datainnsamling og -ekstraksjon (Del 2)

Hvordan kan jeg ekstrahere informasjon fra dokumentet mitt med REGEX?

Praktiske eksempler

I denne artikkelen vil vi vise deg hvordan du kan ekstrahere hvilken som helst data fra et dokument i PaperOffice ved hjelp av flerleddet regulæruttrykk og deretter automatisk bruke dataene som nøkkelord for dokumentet.

Nedenfor har vi opprettet et eksempeldokument som har en spesifikk dato. Dette dokumentet inneholder en faktura. Datoformatet i dokumentet vårt er som følger:

Informationen automatisiert aus Rechnungen extrahieren

Måned bestående av bokstaver, men hvor den første bokstaven alltid er stor, etterfulgt av et mellomrom, deretter dag etterfulgt av komma og et ytterligere mellomrom, og til slutt året.

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

For å ekstrahere denne datoen, kan vi bruke følgende regulære uttrykk (REGEX):

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

La oss bryte uttrykket ned i separate grupper. Disse gruppene er skilt med vanlige parenteser ().

I den første gruppen søker vi etter de 3 bokstavene som representerer måneden: ([A-Z][a-zä]{2})

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

Ekstrahere måneden

• [A-Z] Denne strengen betyr at vi søker etter en stor bokstav fra A til Z. For eksempel bokstaven „S“ i Sept. Vær oppmerksom på at store og små bokstaver behandles separat.
• [a-zä]{2} Denne strengen betyr at vi søker etter to små bokstaver fra a til z og også ä (for månedsnavnet i det tyske språket „März“). Dette vil være ep fra „Sep“ eller är fra det tyske „Mär“.

Deretter søker vi etter et mellomrom ved hjelp av følgende streng: \s

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

Ekstrahere dagen

I den andre gruppen søker vi etter tallverdien som representerer 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})

Dagen må være delt inn i tre separate muligheter. Ettersom vi ikke vet hvilken dato som kan vises i dokumentet, kan det være den første dagen (01), eller den siste dagen (31) i måneden, så vi må legge til flere alternativer for datoen.Disse alternativene separeres med symbolet „|“.Som et eksempel: (1|2|3) = 1 eller 2 eller 3.

Inne i firkantede parenteser følger en liste over tillatte tegn. Flere sett med firkantede parenteser betyr flere tegn. Hvis et uttrykk skal inneholde flere tegn, listes de etter hverandre. Databehandlingen går deretter fra venstre mot høyre og sammenligner hver inndatan.

Naturligvis trenger du heller ikke å inkludere alle tall. Samlet sett er hele den klammerede uttrykket representert som ett tegn.

• 0[1-9] Denne strengen betyr at tallet kan starte med „0“, etterfulgt av et tall fra 1 til 9. Dermed kan vi få hvilket som helst tall fra 01-09.

Uttrykket søker etter et mønster som begynner med „0“. Hvis dokumentet ditt normalt inneholder en dato „5. Mars 2022“, uten at tallet „0“ er plassert foran tallet „5“, vil du kunne utelate tallet „0“ i det klammererte uttrykket.

• [12][0-9] Denne strengen betyr at tallet kan begynne med „1“ eller „2“, etterfulgt av et hvilket som helst tall mellom 0 og 9. Som et resultat kan hvilket som helst tall fra 10 til 29 bli funnet.
• 3[01] Denne strengen betyr at tallet kan begynne med „3“, etterfulgt av „0“ eller „1“. Resultatet kan være 30 eller 31.

Etter at datomulighetene er definert, må du spesifisere uttrykket for året.

Deretter søker vi etter kommaet og mellomrommet: ,\s

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

Ekstrahere året

I den siste gruppen søker vi etter året: (20\d{2})

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

Vi begynner med å søke etter et hvilket som helst år, men vi vet at det vil være ≥ 2000.

• 20 Denne strengen betyr at vi søker etter et hvilket som helst år, som begynner med 20.
• \d{2} Denne strengen betyr at vi søker etter et mulig tosifret tall, altså fra „00“ til „99“.

Tegnet \d betyr for eksempel et siffer mellom 0 og 9, og teg

Les ordrenummer ved hjelp av REGEX

Som et annet eksempel vil vi lese ut ordrenummeret fra dokumentet.

Auftragsnummern werden aus dem Dokument extrahiert

Ordrenummeret på dokumentet vårt er formatert som følger:

Det begynner alltid med store bokstaver XYB, etterfulgt av en bindestrek, deretter 8 tall, en annen bindestrek og til slutt 3 tilfeldige store bokstaver.

Eksempler på ordrenumre kan være:

XYB-12316723-LSH

XYB-98456723-JRD

For å ekstrahere dette ordrenummeret kan vi bruke følgende regulære uttrykk:

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

La oss bryte uttrykket ned.

Først søker vi nøyaktig de første 3 store bokstavene med bindestrek-symbolet: XYB-

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

Deretter søker vi etter 8 tall etterfulgt av en annen bindestrek: \d{8}-

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

Tegnet \d, som tidligere nevnt, står for et tall mellom 0 og 9, igjen søker tegnet \d{8} etter åtte-sifret tall.

Og til slutt søker vi etter 3 vilkårlige store bokstaver: [A-Z]{3}

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

Slik vil PaperOffice kunne kjenne igjen de to første ordrenummene XYB-12316723-LSH og XYB-98456723-JRD fra følgende ordrenumre:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

Vi har forberedt en lenke til Regex101 med det nevnte regulære uttrykket og 4 eksempler. Du vil se at bare to av de angitte ordrenummrene oppfyller kravene våre.

Les artikkelnumre ved hjelp av REGEX

Artikkelnummeret på vårt dokument er formatert som følger:

Det begynner alltid med to store bokstaver, etterfulgt av en bindestrek, deretter 6 tall.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Eksempler på artikkelnumre kan være:

MS-863398

DS-452829

For å ekstrahere disse artikkelnumrene kan vi bruke følgende regulære uttrykk:

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

Det er enklere å komme i gang enn du tror.

Er du fortsatt bekymret for at du ikke vil klare det? Les våre kundecase-studier om PaperOffice-integrasjon i bedriftslivet ditt og se selv hvor enkelt det er, eller be om en prøveinstallasjon.