主页 / coding / 问题 / 79568965
Accepted
limestreetlab
Asked: 2025-04-11 21:37:00 +0800 CST

如何捕获两个数字组之间的非数字组（有时包含特定格式的数字）？

  • 772

我一直在努力寻找一个可以捕获从不太干净的 pdf 文件中提取的数据的正则表达式：

每行应包含 1. 学校 ID（5 位数字）、2. 学校名称、3. 申请编号（编号）、4. 另一个编号（=offer#）

清晰的一行看起来像“10394 ABC School 50 34”，可以使用 捕获([0-9]{5})\s{2,}(\D+)\s+(\d*)\s+(\d*)。正常情况看起来像https://regex101.com/r/Mwv3bJ/1，忽略负向后视。

我遇到的问题是，一些学校的名称中包含部分邮政编码（1 或 2 个字母后跟 1 或 2 个数字，例如 W19 或 SW2），因此“10422 XYZ College W9 60 33”将被捕获为 (id: 10422)(school: XYZ College W)(applications: 9)(offers: 60)。https: //regex101.com/r/YeNmT7/1

我希望 (3:application#) 不捕获任何紧跟字母的数字，并且如果名称中存在这样的 \D{1,2}\d{1,2}，则用 (2:school name) 捕获。我尝试使用非捕获组 (?:^\D{1,2}\d{1,2}$) 来去除任何潜在的邮政编码，但无效。

例子：

  • 18747 ABC 学校 50 14 //(18747)(ABC 学校)(50)(14)
  • 17646 EFG学校 W11 190 44 //(17646)(EFG学校 W11)(190)(44)

请指教。

regex

2 个回答

  1. Best Answer

    您可以使用

    ([0-9]{5})\s{2,}([^\d\s]\D*(?:\s[a-zA-Z]{1,2}\d{1,2})?)\s+(\d+)\s+(\d+)

    参见此演示。或者，进一步优化：

    ([0-9]{5})\s{2,}([^\d\s]+(?:\s+[^\d\s]+)*(?:\s+[a-zA-Z]{1,2}\d{1,2})?)\s+(\d+)\s+(\d+)

    参见正则表达式演示。

    如果初始数字必须仅包含 5 位数字，则添加单词边界\b。

    细节：

    • \b- 单词边界
    • ([0-9]{5})- 第 1 组：五位数字
    • \s{2,}- 两个或更多空白字符
    • ([^\d\s]\D*(?:\s[a-zA-Z]{1,2}\d{1,2})?)- 第 2 组：
      • [^\d\s]\D*- 一个非数字的字符和一个空格，然后是零个或多个非数字
      • (?:\s[a-zA-Z]{1,2}\d{1,2})?- 可选的空格序列，然后是一到两个 ASCII 字母，然后是一到两个数字
    • \s+- 一个或多个空格
    • (\d+)- 第 3 组：一个或多个数字
    • \s+(\d+)- 一个或多个空格，然后第 4 组捕获一个或多个数字。

    请注意，[^\d\s]+(?:\s+[^\d\s]+)*匹配除数字和空格以外的一个或多个字符，然后匹配一个或多个空格的一个或多个重复，后跟一个或多个除数字以外的字符。

    • 1

  2. 在这种情况下，您可能应该避免使用\D+。
    尤其是在允许例外的情况下，例如\D雨伞内的数字。请改用.+?并使其形式匹配，保持 4 位数字 + 某个数字 + 数字 + 数字的格式。

    如果.+?范围太广，那么您将不得不投入到全面定义什么是可接受的麻烦工作中。

    这里的第 1、2、4、5组包含您的提取数据。

    (\d{5})\s+(.+?(?=(\s+(\d+)\s+(\d+))))\3

    https://regex101.com/r/KDbGl2/1

    ( \d{5} )                     # (1)
\s+ 
(                             # (2 start)
  .+? 
  (?=
    (                             # (3 start)
      \s+ 
      ( \d+ )                       # (4)
      \s+ 
      ( \d+ )                       # (5)
    )                             # (3 end)
  )
)                             # (2 end)
\3
    • 0

相关问题