Question

我正在使用正则表达式编写Java代码来解析从PDF文档中提取的内容页面。

在字符串中，正则表达式必须匹配：一个数字（最多三个）后跟一个空格（或多个）后跟一个单词（或许多[单词：任何字符序列]）。反之亦然:( word（s）space（s）digit（s）），它们都必须在字符串中。还要考虑前导空格并且不区分大小写。

提取的内容页面可能如下所示：

董事责任8

公司治理9

薪酬报告10

编号样式不一致，数字和字符串之间的空格数确实不同，所以它看起来也像：

01目录

02战略与亮点
     04主席的发言

正在使用的正则表达式匹配任意数量的单词，后跟任意数量的空格，然后是不超过3位的数字：

(?i)([a-z\\s])*[0-9]{1,3}(?i)

它有效但不太好，不能说出我做错了什么？我希望有一种方法可以检测编号样式（在页面的左侧或右侧有页码），而不是重复正则表达式并翻转顺序。

干杯

Answer 1

如果你想匹配短语，你应该在你的正则表达式中包含你想要匹配的任何标点符号。 AFAIK在正则表达式中没有办法说出一个短语是“之前还是之后”，所以你应该翻转一个并用|附加它。有点像：

[a-zA-Z'".,!\s]+\d{1,3}|\d{1,3}[a-zA-Z'".,!\s]+

此外，您不需要两个(?i)实例，因为正则表达式将不区分大小写应用到字符串结尾或遇到(?-i)。

Answer 2

如果每个项目之前或之后始终有一个数字，您可以将此模式与多线模式一起使用：

"^(?:(?<nb1>\\d{1,3}) +)?(?<item>\\S+(?: +\\S+)*?)(?: +(?<nb2>\\d{1,3})|$)"

然后您可以使用m.group('nb1')+m.group('nb2')始终获取每场比赛的数字。

但如果你必须检查至少有一个数字，你必须重复整个模式：

"^(?:(?<nb1>\\d{1,3}) +(?<item1>\\S+(?: +\\S+)*)|(?<item2>\\S+(?: +\\S+)*) +(?<nb2>\\d{1,3})$"

然后：

item = m.group('item1')+m.group('item2');
nb = m.group('nb1')+m.group('nb2');

注意：由于模式是在开头和结尾处锚定的，因此您可能需要添加一些可选空格才能使它们起作用：^\\s*和\\s*$