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

Como capturar um grupo não numérico entre dois grupos numéricos que às vezes podem conter um número de um formato específico?

  • 772

Tenho lutado para obter uma regex que possa capturar dados extraídos de um arquivo PDF não tão limpo:

Cada linha deve conter 1. ID da escola (5 dígitos), 2. nome da escola, 3. número da inscrição, 4. outro número (=número da oferta)

Uma linha limpa se parece com "10394 ABC School 50 34" e pode ser capturada usando ([0-9]{5})\s{2,}(\D+)\s+(\d*)\s+(\d*). Um caso normal se parece com https://regex101.com/r/Mwv3bJ/1 , ignore o lookbehind negativo.

O problema com o qual tenho dificuldade é que algumas escolas têm um código postal parcial (1 ou 2 letras do alfabeto seguido de 1 ou 2 dígitos, como W19 ou SW2) no nome , então "10422 XYZ College W9 60 33" será capturado como (id: 10422)(escola: XYZ College W)(inscrições: 9)(ofertas: 60). https://regex101.com/r/YeNmT7/1

Quero que o (3:application#) não capture nenhum dígito imediatamente precedido por um alfabeto e, se tal \D{1,2}\d{1,2} existir no nome, seja capturado por (2:nome da escola). Tentei um grupo sem captura (?:^\D{1,2}\d{1,2}$) para me livrar de qualquer CEP em potencial, mas não funcionou.

Exemplos:

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

Por favor, avise.

regex

2 respostas

  1. Best Answer

    Você pode usar

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

    Veja esta demonstração . Ou, um pouco mais otimizada:

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

    Veja a demonstração do regex .

    Se o número inicial tiver que conter apenas 5 dígitos, adicione um limite de palavra, \b.

    Detalhes :

    • \b- um limite de palavra
    • ([0-9]{5})- Grupo 1: cinco dígitos
    • \s{2,}- dois ou mais caracteres de espaço em branco
    • ([^\d\s]\D*(?:\s[a-zA-Z]{1,2}\d{1,2})?)- Grupo 2:
      • [^\d\s]\D*- um caractere que não é um dígito e um espaço em branco e então zero ou mais caracteres não-dígitos
      • (?:\s[a-zA-Z]{1,2}\d{1,2})?- uma sequência opcional de um espaço em branco e depois uma ou duas letras ASCII e depois um ou dois dígitos
    • \s+- um ou mais espaços em branco
    • (\d+)- Grupo 3: um ou mais dígitos
    • \s+(\d+)- um ou mais espaços em branco e então o Grupo 4 capturando um ou mais dígitos.

    Observe que [^\d\s]+(?:\s+[^\d\s]+)*corresponde a um ou mais caracteres diferentes de dígitos e espaços em branco e, em seguida, a uma ou mais repetições de um ou mais espaços em branco seguidos por um ou mais caracteres diferentes de dígitos.

    • 1

  2. Você provavelmente deve evitar o uso \D+nessa circunstância.
    Principalmente se permitir exceções, como dígitos dentro do \Dguarda-chuva. Em vez disso, use .+?e crie uma correspondência de forma, mantendo os 4 dígitos + algo + dígitos + dígitos.

    Se .+?for muito amplo, você terá que se dar ao trabalho de definir completamente o que é aceitável.

    Aqui os Grupos 1, 2, 4, 5 contêm seus dados de extração.

    (\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

relate perguntas