Uporabite redne izraze REGEX za samodejni zajem in ekstrakcijo podatkov (Del 2)

Kako izvlečem informacije iz dokumenta z REGEX-om?

Primeri iz prakse

V tem članku vam bomo predstavili, kako lahko z večsezonskimi regularnimi izrazi v PaperOffice iz dokumenta izvlečete katere koli podatke in jih samodejno vstavite kot oznako za dokument.

Spodaj smo ustvarili vzorčni dokument, ki vsebuje določen datum. V tem dokumentu gre za račun. Vzorec datuma na našem dokumentu je oblikovan takole:

Informationen automatisiert aus Rechnungen extrahieren

Mesec, sestavljen iz črk, vendar je prva črka vedno velika, nato sledi presledek, nato dan, nato vejica, nato še en presledek in nato leto.

Na primer: Sep 20, 2019 ali Mär 05, 2022

Za izvlečenje tega datuma lahko uporabimo naslednji regularni izraz (REGEX):

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

Razčlenili bomo izraz na posamezne skupine. Te skupine so ločene z navadnimi oklepaji ().

V prvi skupini iščemo 3-mestno črkovno kratico za mesec: ([A-Z][a-zä]{2})

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

Izvleči mesec

• [A-Z] Ta niz pomeni, da iščemo veliko črko od A do Z. Na primer črka „S“ v besedi Sept. Upoštevajte, da je razlikovanje med velikimi in malimi črkami.
• [a-zä]{2} Ta niz pomeni, da iščemo dve majhni črki iz območja a-z in tudi ä (za ime meseca v nemškem jeziku „März“). To je ep iz besede „Sep“ ali är iz besede „Mär“.

Nato iščemo presledek s to verigo: \s

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

Izvleči dan

V drugi skupini iščemo številsko oznako dneva: (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})

Oznaka dneva mora biti razdeljena s tremi različnimi navodili.
Ker ne vemo, katera oznaka dneva se lahko pojavi v dokumentu, se lahko pojavi prvi dan (01) ali pa zadnji dan (31) meseca, zato je treba določiti več možnosti.
Te možnosti so ločene z znakom „|“.
Primer: (1|2|3) = 1 ali 2 ali 3.

V oglatih oklepajih je naveden seznam dovoljenih znakov. Več pravokotnih oklepajev ustreza več znakom. Če izraz opisuje več znakov, jih enostavno združimo zaporedoma. Nato se vnos primerja z izrazom od leve proti desni.

Seveda ni vedno treba navesti vseh številk. Skupno gledano, naveden celoten obseg izraza z oklepajem velja samo za en znak.

• 0[1-9] Ta niz pomeni, da se lahko številka začne z „0“, nato sledi številka od 1 do 9. Tako dobimo katero koli število med 01 in 09.

Veriga išče vzorec številk, ki se začne z ničlo. Če vaš dokument običajno vsebuje datumske zapisnike "5. marca 2022", torej brez »0« pred številko »5«, se »0« v verigi izpusti.

• [12][0-9] Ta niz pomeni, da se številka lahko začne s „1“ ali „2“, sledi pa ji poljubna številka med 0 in 9. Rezultat je lahko katero koli število od 10 do 29.
• 3[01] Ta niz pomeni, da se številka lahko začne s „3“, sledi pa ji števka „0“ ali „1“. Rezultat je lahko 30 ali 31.

Po določitvi možnosti za dan je treba določiti izraz za leto.

Zdaj iščemo vejico in presledek: ,\s

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

Izvleči leto

V zadnji skupini iščemo leto: (20\d{2})

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

Začnemo iskati poljubno leto, vendar vemo, da bo ≥ 2000.

• 20 Ta niz pomeni, da iščemo poljub

Branjevnem številko beremo z uporabo REGEX-a

Kot naslednji primer želimo brati številko naročila iz dokumenta.

Auftragsnummern werden aus dem Dokument extrahiert

Številko naročila na našem dokumentu je oblikovana na naslednji način:

Vedno se začne z velikimi črkami XYB, po katerih sledi vezaj, nato pa 8 številk, še en vezaj in na koncu 3 naključni veliki črki.

Primeri številk naročil bi bili:

XYB-12316723-LSH

XYB-98456723-JRD

Za izvleček te številke naročila uporabimo naslednji regex:

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

Razčlenimo izraz po delih.

Najprej iščemo točno prvih 3 velike črke v kombinaciji z vezajem: XYB-

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

Nato iščemo še 8 števk, ki jim sledi vezaj: \d{8}-

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

Znak \d, kot smo že pojasnili, označuje številko od 0 do 9, \d{8} pa pomeni iskanje osmim mestnim številom.

In na koncu iščemo še 3 poljubne velike črke: [A-Z]{3}

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

PaperOffice bo torej iz sledečih številk naročil:

XYB-12316723-LSH

XYB-98456723-JRD

XYB-975432671829

ZYB-12342176-ZHD

prepoznal prvi dve XYB-12316723-LSH in XYB-98456723-JRD

Kot primer smo pripravljeni tudi Regex101 povezavo za ta primer, kjer smo navedeni regulanri izraz preverili s štirimi primeri. Vidite, da se samo dva od štirih navedenih številk naročil ujemata z našimi zahtevami.

Branje številk artiklov z uporabo REGEX-a

Številka artikla na našem dokumentu je oblikovana na naslednji način:

Vedno se začne z dvema velikima črkama, za njima sledi vezaj, nato pa še 6 števk.

Verschiedene Artikelnummern können aus Rechnungen ausgelesen werden

Primeri številk artiklov bi bili:

MS-863398

DS-452829

Za izvleček teh številk artiklov uporabimo naslednji regex:

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

Začeti je lažje, kot si mislite.

Še vedno dvomite, da sami ne boste zmogli? Preberite si študije primerov naših strank o integracijah PaperOffice v svoj poslovni proces in se prepričate sami o enostavnosti ali pa enostavno zahtevajte testno namestitvijo.