Question

我正在解析PDF文件并且有两个左对齐的地址。除了城市下方的线路，州和拉链也是分开的。

右边的地址始终以索引＆gt;开头。 150（从行开始）。我可以触发索引＆gt;中任何文本的匹配。 150并停在\ n换行符，但此方法似乎内存密集且速度慢。我在pdf中有大约200行文字。我也知道地址线（共7个）总是出现在第40行和第48行之间。寻找一些简单的替代方法来解析这些数据。

1011 VALLEY BELT RD                4569 EAST TWINSBURG ROAD\n


open (FILE, "pdftotext -layout file.pdf - |");
while(<FILE>) {
  $i++;
  my($line) = $_;
  $line=~s/\n$/ | [NL]/; # just to visualize the newline on screen
  print "\n<div class=\"line\"><div>$i</div>$line</div>";
  }
close FILE;

pdf是由应用程序生成的，因此可以控制它们

Answer 1

您可以使用与regrex的匹配来获取该行中的项目。使用分组，您可以进行匹配，然后保存地址。

根据提供的数据样本，我想出了以下内容：

while ( <DATA> ) {
  chomp;
  m/(\d+\s+.*)\s+(\d+\s+.*)/;
  print "$1\n";
  print "$2\n";
}

__DATA__
1011 VALLEY BELT RD                4569 EAST TWINSBURG ROAD

$ 1将包含第一个地址，$ 2将包含第二个地址。

这确实假设地址之间有空格，地址将以至少一个数字开头。

Answer 2

如果您确定要处理固定宽度数据，可以使用unpack提取字段：

use strict;
use warnings;
use Data::Dumper;

# creating your input string
my $str = sprintf "%-150s%s\n", "1011 VALLEY BELT RD",
                                "4569 EAST TWINSBURG ROAD";

# unpack 150 ascii chars, space padded (A150) and same to end of string (A*)
my ($first, $second) = unpack "A150A*", $str;

print Dumper $first, $second;

<强>输出：

$VAR1 = '1011 VALLEY BELT RD';
$VAR2 = '4569 EAST TWINSBURG ROAD';

如果您知道此数据所在的行号，则可以使用行号变量$.找到正确的位置。例如：

while (<FILE>) {
    next unless $. >= 40;
    # do stuff here
}

Answer 3

@TLP基于Dumper的完整解决方案

**地址

1011 VALLEY BELT RD                4569 EAST TWINSBURG ROAD\n
Philadelphia, PA                   Kansas City, MO\n
18659                              69869\n

**代码

use strict;
use warnings;
use Data::Dumper;

my $i=0;
my $lAddr;
my $rAddr;
open (FILE, "pdftotext -layout file.pdf - |");
while(<FILE>) {
  $i++;
  my($line) = $_;
  if ($i>40 && $i<=48) {
    # unpack 150 ascii chars, space padded (A150) and same to end of string (A*)
    my ($VAR1, $VAR2) = unpack "A150A*", $line;
    $lAddr.=$VAR1;
    $rAddr.=$VAR2;
    }
  }
close FILE;

<强>输出：

$lAddr = '1011 VALLEY BELT RD Philadelphia, PA 18659';
$rAddr = '4569 EAST TWINSBURG ROAD Kansas City, MO 69869';

使用perl用空格分隔的2个邮件地址解析行的最佳方法

3 个答案: