Question

我正在尝试以纯文本格式解析表格。该程序是使用C＃在Visual Studio中编写的。我需要解析表并将数据插入数据库。

以下是我将要阅读的示例表：

ID    Name          Value1        Value2         Value3       Value4  //header
1     nameA         3.0           0.2            2            6.2
2     nameB
3     nameC         2.9                          3.0          7.3
4     nameD         1.5           3.0            1.8          1.1
5     nameE
6     nameF      1.2        2.4          3.3           2.5
7     nameG      3.0        3.2          2.1           4.5
8     nameH                 88           12.4          28.9

在示例中，我需要捕获id 1,3,4,6,7和8的数据。

我想到了两种方法来解决这个问题，但它们都没有100％工作。

方法1：

通过读入标题，我可以获得每列的起始索引。然后，我将使用Substring收集每行的数据。

ISSUE：一旦超过某一行（我不知道何时发生这种情况），列移位，Substring将不再收集正确的数据。

此方法仅收集1,3和4的正确数据。

方法2：

使用Regex收集所有匹配项。我希望这可以按此顺序收集ID，Name，Value1，Value2，Value3，Value4。

我的模式是(\d*?)\s\s\s+(.*?)\s\s\s+(\d*\.*\d*)\s\s\s+(\d*\.*\d*)\s\s\s+(\d*\.*\d*)\s\s\s+(\d*\.*\d*)

ISSUE：收集的数据会向左移动一些行。例如，在ID 3上，Value2应为空，但正则表达式将为Value2 = 3.0，Value3 = 7.3和Value4 = blank。对于ID 8也是如此。

问题：

如何读取整个表格并正确解析它们？

（1）我不知道从哪一行开始移动值

（2）我不知道它将被转移多少个细胞以及它们是否一致。

其他信息

该表位于PDF文件中，我将PDF转换为文本文件，因此我可以读取数据。当表格跨越多个页面时，会发生移位数据，但这种情况并不一致。

修改

以下是一些实际数据：

68                        BENZYL ALCOHOL                               6.0                            0.4           1                  7.4

91                        EVERNIA PRUNASTRI (OAK MOSS)                 34                             3             3                  10

22                        test                                                                        2323          23                 12

Answer 1

如何将此文件视为固定长度文件，您可以在其中按索引和长度定义每个列。定义固定长度列后，您只需使用Substring获取列的值，然后Trim进行清理即可。

您可以将所有这些包装在Linq语句中以投影到匿名类型并过滤所需的ID。

这样的事情：

static void Main(string[] args)
{
    int[] select = new int[] { 1, 3, 4, 6, 7, 8 };
    string[] lines = File.ReadAllLines("TextFile1.txt");

    var q = lines.Skip(1).Select(l => new {
        Id = Int32.Parse(GetValue(l, 0, 6)),
        Name = GetValue(l, 6, 11),
        Value1 = GetValue(l, 17, 11),
        Value2 = GetValue(l, 28, 13),
        Value3 = GetValue(l, 41, 14),
        Value4 = GetValue(l, 55, 13),
    }).Where(o => select.Contains(o.Id));

    var r = q.ToArray();        
}

static string GetValue(string line, int index, int length)
{
    string value = null;
    int lineLength = line.Length;

    // Take as much of the line as we can up to column length
    if(lineLength > index)            
        value = line.Substring(index, Math.Min(length, lineLength - index)).Trim();

    // Return null if we just have whitespace
    return String.IsNullOrWhiteSpace(value) ? null : value;
}

Answer 2

好的，你走吧！使用此正则表达式模式：

注意：您必须将此匹配到任何一行，而不是整个文档！如果您想为整个文档执行此操作，则必须添加多行＆＃39;修饰符（＆＃39; m＆＃39;）。您可以通过在正则表达式模式的开头添加(?m)来完成此操作！

修改

您提供了一些实际数据。这是我更新的正则表达式模式：

^(?<id>\d+)(?:\s{2,25})(?<name>.+?)(?:\s{2,45})(?<val1>\d+(?:\.\d+)?)?(?:\s{2,33})(?<val2>\d+(?:\.\d+)?)?(?:\s{2,14})(?<val3>\d+(?:\.\d+)?)?(?:\s{2,19})(?<val4>\d+(?:\.\d+)?)?$

解析纯文本表

2 个答案: