Question

我正在尝试通过pdfbox解析转换为txt的pdf文件中的字段。以下是我需要提取的字段“购买者姓名和地址：”的示例。这些文档通常包含翻译，“：”冒号在购买者名称和地址后显示可变数量的字符。示例如下。

Txt文件..
买方名称和地址/ NOMBRE Y
DIRECCIÓNDELCOMPRADOR：
买家姓名在这里
Txt继续..

这是我尝试的模式/扫描代码。

Scanner sc = new Scanner(txtFile);
Pattern p = Pattern.compile("BUYER NAME AND ADDRESS.*:", Pattern.MULTILINE);
sc.findWithinHorizon(p, 0);
String buyer = sc.nextLine();
buyer = sc.nextLine();
System.out.println("Buyer Name: "+buyer);

当文本文件仅为英文时，例如，买方姓名和地址：但如果有其他字符或换行符，则会失败。我该如何修复模式？

Answer 1

给定的正则表达式"BUYER NAME AND ADDRESS.*:"匹配“BUYER NAME AND ADDRESS”后跟任意数量的字符后跟冒号，所以这将匹配所有内容直到最后一个冒号，因为正则表达式是贪婪的，你可以使用{{1} （非贪婪）获得所需的行为。此外，您需要将MULTILINE（.*?和^匹配行的开头和结尾）更改为DOTALL（$也匹配换行符），以便按照@stribizhev的说法进行操作。

使用.也可以更正此问题，[^:]表示不是那些字符。像这样你不需要任何修饰符（我最后删除了[^...]，因为如果这样做你可能不需要它）：

多行正则表达式模式后解析文本行

1 个答案: