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。