Question

考虑以下String，它是从pdf中提取的内容表，如下例所示，两个主题可以在一行上，每行末尾有一个换行符（如示例中所示）

A — N° 1 2 janvier 2013

TABLE OF CONTENT

Topic à one ......... 30 Second Topic .......... 33
Third - one ......... 3 Topic.with.dots .......... 33
One more line ......................... 27 last topic ...... 34

我想提取部分名称'Topicàone'，'Second Topic'，'Third -one'，'Topic.with.dots'，'One more line'和'last topic'

匹配正则表达式的任何见解？

Answer 1

# -*- coding: utf-8 -*-
string = "A — N° 1 2 janvier 2013

TABLE OF CONTENT

Topic à one ......... 30 Second Topic .......... 33
Third - one ......... 3 Topic.with.dots .......... 33
One more line ......................... 27 last topic ...... 34"
puts string.scan(/(\p{l}[\p{l} \.-]*)\s+\.+\s+\d+/i).flatten

这就是你想要的。它也匹配单个字母标题。

Answer 2

以下（未经优化的）正则表达式适用于您的示例：

(?i)(?=[A-Z])(?:\.[A-Z-]+|[A-Z -]+)+\b

它需要改进，例如，如果非ASCII字母应该匹配，并且有一些可能的性能优化取决于正在使用的正则正则表达式风格。

See it on regex101

对于Ruby 2，我建议/(?=\p{L})(?:\.[\p{L}-]++|[\p{L} -]+)+\b/

Answer 3

string.scan(/(\S.*?)\s+\.{2,}\s+\d+/).flatten
# =>
[
  "Topic one",
  "Second Topic",
  "Third one",
  "Topic.with.dots",
  "One more line",
  "last topic"
]

Answer 4

与@ sawa相似：

puts text.scan(/([a-zA-Z .]+?) \.\.++ \d+/).flatten.map(&:strip)
# >> Topic one
# >> Second Topic
# >> Third one
# >> Topic.with.dots
# >> One more line
# >> last topic

（虽然我更喜欢他的模式。）

Answer 5

以下是Perl的解决方案：

 $ cat tmp
 Topic one ......... 30 Second Topic .......... 33 Third one ......... 3   Topic.with.dots ..........   33 One more line ......................... 27 last topic ...... 34


$ cat tmp  | perl -ne 'while (m/((?:\w|[. ])+?) [.]+ \d+/g) { print "$1\n" }' 
Topic one
Second Topic
Third one
 Topic.with.dots
One more line
last topic

我在这里做的一些小解释，内部的parens (?:...)集合是非捕获的，因此它们仅用于分组，并且它们组合了一个单词char（\w）或者空格或点[. ]然后，由于你有更多的点，匹配是非贪婪的+?，整个匹配进入$1，打印出来。

HTH

<强> - 编辑 -

Ruby几乎拥有Perl的所有构造，包括正则表达式，它是一个直接转换！（不知道为什么它必须被投票！） FWIW，这是Ruby：

while ARGF.gets
  puts $_.scan(/((?:\w|[. ])+?) [.]+ \d+/)
end

使用正则表达式从一个大字符串中提取数据

5 个答案: