Používajte regulárne výrazy REGEX pre automatické získavanie a extrahovanie údajov (časť 2)

Ako vytiahnem informácie z dokumentu pomocou REGEX?

Priklady v praxi

V tomto článku vám ukážeme, ako pomocou viacreťazcových regulárnych výrazov (REGEX) v PaperOffice vyberať akékoľvek údaje z dokumentu a automaticky ich priradiť ako kľúčové slová k dokumentu.

V nasledujúcom príklade sme vytvorili vzorový dokument, ktorý obsahuje špecifický dátum. V tomto dokumente ide o faktúru. Vzor dátumu na našom dokumente je nasledovný:

Mesiac, ktorý sa skladá z písmen, pričom prvý je vždy veľké, nasleduje medzera, potom deň, potom čiarka, ďalšia medzera a potom rok.

Napríklad: Sep 20, 2019 alebo Mär 05, 2022r.

Na extrahovanie tohto dátumu môžeme použiť nasledujúci regulárny výraz (REGEX):

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

Rozdelenie tohto výrazu na jednotlivé skupiny sa uskutočňuje pomocou zátvoriek ().

Prvá skupina hľadá trojpísmenový mesiac: ([A-Z][a-zä]{2})

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

Extrahovanie mesiaca

• [A-Z] Táto postupnosť znakov znamená, že hľadáme veľké písmeno od A po Z. Napríklad písmeno „S“ z „Sept“. Treba si všimnúť, že veľké a malé písmena sa spracúvajú samostatne.
• [a-zä]{2} Táto postupnosť znakov znamená, že hľadáme dve malé písmená od a po z a tiež ä (pre mesiac v nemčine „März“). Preto by to bolo „ep“ z „Sep“ alebo „är“ z nemeckého „Mär“.

Potom hľadáme medzeru pomocou tohto znakového reťazca: \s

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

Extrahovanie dňa

V druhej skupine hľadáme dátum vo formáte číslo: (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})

Zadaný pokyn pre deň musí byť rozdelený do troch rôznych častí.
Keďže nevieme, aký dátum bude v dokumente, môže to byť prvý deň (01) alebo aj posledný deň (31) v mesiaci, musia byť nastavené rôzne možnosti.
Tieto sú oddelené znakom „|“.
Príklad: (1|2|3) = 1 alebo 2 alebo 3.

V hranatých zátvorkách sa nachádza zoznam povolených znakov. Viacero hranatých zátvoriek zodpovedá viacerým znakom.Ak má výraz opisovať viac znakov, jednoducho sa postupne pripoja. Potom sa vstup porovnáva zľava doprava s vaším výrazom.

Samozrejme, nie je potrebné vždy uvádzať všetky čísla. Celý zatvorený výraz zodpovedá iba jednému znaku.

• 0[1-9] Tento znakový reťazec znamená, že číslo môže začínať nulou, nasledované číslom od 1 do 9. Získame tak akékoľvek číslo od 01 do 09.

Tento znakový reťazec hľadá vzorec čísiel, ktorý začína nulou. Ak by vaša bežná dátumová hodnota v dokumente neobsahovala dátum „5. marca 2022“, teda bez nuly pred číslom „5“, nula sa zo znakového reťazca vynechá.

• [12][0-9] Tento znakový reťazec znamená, že číslo môže začínať číslom 1 alebo 2, nasledované akýmkoľvek číslom od 0 do 9. Výsledkom môže byť akékoľvek číslo od 10 do 29.
• 3[01] Tento znakový reťazec znamená, že číslo môže začínať číslom 3, nasledované číslom 0 alebo 1. Výsledkom môže byť 30 alebo 31.

Po definovaní možností pre číslo dňa môžeme pokračovať na určenie výrazu pre rok.

Teraz hľadáme čiarku a medzeru: ,\s

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

Čítanie čísla objednávky pomocou regulárneho výrazu

Ako ďalší príklad chceme z dokumentu odfiltrovať číslo objednávky.

Auftragsnummern werden aus dem Dokument extrahiert

Číslo objednávky na našom dokumente má nasledovný formát:

Začína vždy veľkými písmenami XYB, za ktorým nasleduje pomlčka, potom 8 číslic, ďalšia pomlčka a nakoniec 3 náhodné veľké písmená.

Príklady čísel objednávok by boli:

XYB-12316723-LSH

XYB-98456723-JRD

Ako extrahovať toto číslo objednávky môžeme urobiť pomocou nasledujúceho regulárneho výrazu:

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

Nechajte nás rozobrať tento výraz.

Najskôr hľadáme práve prvých 3 veľké písmená so znakom pomlčky XYB-

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

Potom hľadáme 8 číslic nasledovaných ďalšou pomlčkou \d{8}-

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

Znak \d, ako sme už opísali, znamená číslicu medzi 0 a 9, znak \d{8} znova hľadá osemciferné číslo.

Nakoniec hľadáme 3 akékoľvek veľké písmená: [A-Z]{3}

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

Takto by PaperOffice z týchto čísel objednávok:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

rozpoznal prvé dve XYB-12316723-LSH a XYB-98456723-JRD

.

K tomuto príkladu sme vytvorili odkaz Regex101, kde je tento regulárny výraz uvedený so 4 príkladmi. Môžete vidieť, že z uvedených čísel objednávky iba dve vyhovujú našim požiadavkám.

Čítanie čísiel položky pomocou regulárneho výrazu

Číslo položky na našom dokumente má nasledovný formát:

Začína vždy dvoma veľkými písmenami, za ktorými nasleduje pomlčka, potom 6 číslic.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Príklady čísiel položky by boli:

MS-863398

DS-452829

Aby sme tieto čísla položiek extrahovali, môžeme použiť nasledujúci regulárny výraz:

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

Začať je jednoduchšie, ako si myslíte.

Máte stále obavy, že to nezvládnete? Prečítajte si prípadové štúdie našich zákazníkov o integrácii PaperOffice do vášho podnikania a presvedčte sa sami o jednoduchosti alebo jednoducho požiadajte o testovaciu inštaláciu.