Как извлечь информацию из моего документа с помощью REGEX?

Практические примеры

В данной статье мы продемонстрируем вам, как с помощью регулярных выражений с несколькими элементами в PaperOffice можно извлекать любые данные из документа и автоматически указывать их в качестве метаданных документа.

Ниже мы создали образец документа, в котором есть определенная дата. В этом документе есть счет-фактура. Шаблон даты в нашем документе форматируется следующим образом:

Informationen automatisiert aus Rechnungen extrahieren

Месяц, состоящий из букв, причем первая буква всегда заглавная, за которым следует пробел, затем день, за которым следует запятая, еще один пробел и затем год.

Например: Sep 20, 2019 или Mär 05, 2022

Чтобы извлечь эту дату, мы можем использовать следующее регулярное выражение (REGEX):

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

Разделим выражение по группам. Группы разделяются простыми скобками ().

В первой группе мы ищем 3 буквы месяца: ([A-Z][a-zä]{2})

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

Извлечение названия месяца

• [A-Z] Эта строка означает, что мы ищем заглавную букву от A до Z. Например, буква «S» из Sept. Стоит отметить, что регистр учитывается отдельно.
• [a-zä]{2} Эта строка означает, что мы ищем две строчные буквы от a до z (и ä для названия месяца на немецком языке «Marz»). Это будет р из «Sep» или ä из «Mär».

Затем мы ищем пробел с помощью этой строки: \s

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

Извлечение дня

Во второй группе ищем обозначение дня числами: (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})

Указание на день должно разделиться на 3 разные инструкции.
Так как мы не знаем, какие даты могут присутствовать в документе, может быть первое число (01) или последнее число (31) месяца, необходимо указать соответствующие варианты.
Они разделяются символом“|”.
Пример: (1|2|3) = 1 или 2 или 3.

В квадратных скобках следует перечисление допустимых символов. Несколько квадратных скобок соответствуют нескольким символам.Если выражение описывает несколько символов, они просто объединяются вместе. Затем ввод сравнивается слева направо с вашим выражением.

Естественно, не все числа должны быть перечислены. Весь заключенный в круглые скобки раздел описывает лишь один символ.

• 0[1-9] Эта строка означает, что число может начинаться с «0», за которым может следовать число от 1 до 9. Таким образом, мы получаем любое число от 01 до 09.

Строка ищет числовой шаблон, начинающийся с нуля. Если ваш документ обычно содержит дату «5 марта 2022 г.», то есть без числа «0» перед числом «5», то «0» опускается в этой строке.

• [12][0-9] Эта строка означает, что число может начинаться с «1» или «2», за которым может следовать любое число от 0 до 9. Результатом будет любое число от 10 до 29.
• 3[01] Эта строка означает, что число может начинаться с «3», за которым может следовать «0» или «1». Результатом может быть 30 или 31.

После определения вариантов для дня необходимо указать выражение для года.

Теперь мы ищем запятую и пробел: ,\s

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

Извлечение года

В последней группе мы ищем год: (20\d{2})

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

Чтение номера заказа с помощью REGEX

В качестве дополнительного примера мы хотим извлечь номер заказа из документа.

Auftragsnummern werden aus dem Dokument extrahiert

Номер заказа в нашем документе имеет следующий формат:

Он всегда начинается с прописных букв XYB, затем следует дефис, за ним идут 8 цифр, еще один дефис и в конце 3 случайных прописных буквы.

Примеры номеров заказов:

XYB-12316723-LSH

XYB-98456723-JRD

Чтобы извлечь этот номер заказа, мы можем использовать следующее регулярное выражение:

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

Давайте разберем выражение по частям.

Сначала мы ищем первые 3 прописные буквы с символом дефиса: XYB-

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

Затем мы ищем 8 цифр, за которыми следует еще один дефис: \d{8}-

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

Символ \d, как уже указано, означает цифру от 0 до 9, а \d{8} ищет восьмизначное число.

И, наконец, мы ищем 3 произвольные прописные буквы: [A-Z]{3}

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

Таким образом, PaperOffice из следующих номеров заказов:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

распознает первые два номера заказов XYB-12316723-LSH и XYB-98456723-JRD

.

Мы подготовили ссылку на Regex101 для этого примера, где перечислены 4 примера соответствующих регулярному выражению номеров заказов. Вы увидите, что из предложенных номеров заказов только два соответствуют нашим требованиям.

Чтение артикульного номера с помощью REGEX

Артикульный номер в нашем документе имеет следующий формат:

Он всегда начинается с двух прописных букв, затем следует дефис, за которым идут 6 цифр.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Примеры артикульных номеров:

MS-863398

DS-452829

Чтобы извлечь эти артикульные номера, мы можем использовать следующее регулярное выражение:

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

Начните действовать, это проще, чем вы думаете.

Есть сомнения, что вы справитесь? Прочтите публикации наших клиентов о внедрении PaperOffice в ваш бизнес и убедитесь в его простоте, или просто запросите установку установку для тестирования.