Question

我有一些pdf文件，程序会逐行读取它。

这里是从文件中摘录的：

我需要提取：

12000

已解析的行如下所示：

Bolighus fullverdi 4374720 121000 11806

我找不到一种方法来跳过前7个数字（4 374 720）。

我试图玩一些类似的游戏：

（\ d +）{3}

找到2个匹配项：

正则表达式在这种情况下如何获得价值

\ d + 000

但是我想从正则表达式中省略000。在其他文档中，它将失败。

如何解决此问题？

也许您可以建议其他解决方案？

更新：

使用@PushpeshKumarRajwanshi回答，大多数事情都已完成：

public static String groupNumbers(String pageLine) {
    String transformedLine = pageLine.replaceAll(" (?=\\d{3})", StringUtils.EMPTY);
    log.info("TRANSFORMED LINE: \n[{}]\nFrom ORIGINAL: \n[{}]", transformedLine, pageLine);
    return transformedLine;
}

public static List<String> getGroupedNumbersFromLine(String pageLine) {
    String groupedLine = groupNumbers(pageLine);
    List<String> numbers = Arrays.stream(groupedLine.split(" "))
            .filter(StringUtils::isNumeric)
            .collect(Collectors.toList());
    log.info("Get list of numbers: \n{}\nFrom line: \n[{}]", numbers, pageLine);
    return numbers;
}

但是，我发现了一个关键问题。

有时pdf文件如下所示：

最后3位数字是一个单独的数字。

已解析的行结尾为：

313 400 6 000 370

哪个会产生不正确的结果：

313400，6000370

代替

313400、6000、370

更新2

考虑下一种情况：

我们的行将如下所示：

Innbo Ekstra Nordea 1 500 000 1 302

结果将产生3组：

1500000
  1
  302

实际上，我们仅缺少第二组输入。 如果第二组缺失，是否可以使正则表达式更加灵活？

如何解决此问题？

Answer 1

您的号码具有特殊的模式，可用于为您解决问题。如果您注意到了，可以删除此字符串中紧接三位数字的任何空格，以合并形成实际数字的数字，这将使该字符串成为

Bolighus fullverdi 4 374 720 12 000 11 806

对此，

Bolighus fullverdi 4374720 12000 11806

因此您可以使用此正则表达式轻松捕获第二个数字，

.*\d+\s+(\d+)\s+\d+

并捕获第2组。

这是相同的示例Java代码，

public static void main(String[] args) {
    String s = "Bolighus fullverdi 4 374 720 12 000 11 806";
    s = s.replaceAll(" (?=\\d{3})", "");
    System.out.println("Transformed string: " + s);
    Pattern p = Pattern.compile(".*\\d+\\s+(\\d+)\\s+\\d+");
    Matcher m = p.matcher(s);
    if (m.find()) {
        System.out.println(m.group(1));
    } else {
        System.out.println("Didn't match");
    }
}

哪个输出

Transformed string: Bolighus fullverdi 4374720 12000 11806
12000

希望这会有所帮助！

编辑：

以下是此正则表达式\D*\d+\s+(\d+)\s+\d+的说明，该正则表达式用于从转换后的字符串中捕获所需数据。

Bolighus fullverdi 4374720 12000 11806

.*->匹配数字之前的任何数据，此处匹配Bolighus fullverdi
\d+->匹配一个或多个数字，此处匹配4374720
\s+->匹配数字之间存在的一个或多个空格。
(\d+)->匹配一个或多个数字并将其捕获到与12000匹配的组1中
\s+->匹配数字之间存在的一个或多个空格。
\d+->匹配一个或多个数字，此处匹配11806

由于OP想要捕获第二个数字，因此我仅将第二个\ d +分组（在想要捕获的部分周围加上括号），但是如果要捕获第一个数字或第三个数字，则可以像这样简单地将它们分组，< / p>

\D*(\d+)\s+(\d+)\s+(\d+)

然后使用Java代码调用

m.group(1)会给组1编号4374720

m.group(2)会给第2组编号为12000

m.group(3)将给出第3组的数字，即11806

希望这可以澄清，让我知道您是否还有其他需要。

Edit2

为了覆盖后面的字符串，

Andre bygninger 313 400 6 000 370

为了捕获313400、6000和370，我必须更改解决方案的方法。在这种方法中，我将不会转换字符串，而是捕获带有空格的数字，并且一旦捕获到所有三个数字，便将删除它们之间的空格。该解决方案适用于旧字符串以及上方我们要捕获后三位数字370作为第三位数字的新字符串。但是，假设我们有以下情况，

Andre bygninger 313 400 6 000 370 423

我们在字符串中还有423位数字，那么它将被捕获为以下数字，

313400、6000370、423

因为它不知道370应该是6000还是423。所以我提出了一种解决方案，将最后三位数字捕获为第三位数字。

这是您可以使用的Java代码。

public static void main(String[] args) throws Exception {
    Pattern p = Pattern
            .compile(".*?(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)");
    List<String> list = Arrays.asList("Bolighus fullverdi 4 374 720 12 000 11 806",
            "Andre bygninger 313 400 6 000 370");

    for (String s : list) {
        Matcher m = p.matcher(s);
        if (m.matches()) {
            System.out.println("For string: " + s);
            System.out.println(m.group(1).replaceAll(" ", ""));
            System.out.println(m.group(2).replaceAll(" ", ""));
            System.out.println(m.group(3).replaceAll(" ", ""));
        } else {
            System.out.println("For string: '" + s + "' Didn't match");
        }
        System.out.println();
    }
}

此代码根据需要输出以下输出

For string: Bolighus fullverdi 4 374 720 12 000 11 806
4374720
12000
11806

For string: Andre bygninger 313 400 6 000 370
313400
6000
370

这是正则表达式的解释，

.*?(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)

.*?->匹配并消耗数字前的所有输入
(\\d{1,3}(?:\\s+\\d{3})*)->此模式尝试捕获第一个数字，该数字可以以一到三位数字开头，后跟空格，而恰好三位数字和“空格加三位数字”总共可以出现零次或多次。
\\s*->后跟零个或多个空格

然后，同一组(\\d{1,3}(?:\\s+\\d{3})*)再重复两次，以便可以捕获三组中的数字。

由于我已经进行了三个捕获组，因此捕获必须分为三个组才能成功进行。所以例如这是捕获此输入的机制，

Andre bygninger 313 400 6 000 370

首先，.*?与"Andre bygninger "相匹配。然后，第一组(\\d{1,3}(?:\\s+\\d{3})*)首先匹配313（由于\\d{1,3}），然后(?:\\s+\\d{3})*匹配一个空格和400，它停止，因为后面跟随的下一个数据是空格，后跟{{1 }}只是一位数字，而不是三位数。

类似地，第二组6首先匹配(\\d{1,3}(?:\\s+\\d{3})*)（由于6），然后\\d{1,3}匹配(?:\\s+\\d{3})*)并停止，因为它需要留下一些匹配组3的数据，否则正则表达式匹配将失败。

最后，第三组匹配000，因为这是剩下的唯一数据。因此370匹配\\d{1,3}，然后370不匹配任何东西，因为它是零个或多个组。

希望可以澄清。让我知道您是否还有任何疑问。

编辑2018年12月22日仅将数字分组为两个组

要对来自此字符串的数据进行分组，

(?:\\s+\\d{3})*

分为两组具有Innbo Ekstra Nordea 1 500 000 1 302和1500000的数字，您的正则表达式只需要有两组，就像我在评论中回答的那样，它变成了这样，

这是相同的Java代码，

.*?(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)

按照您的期望打印。

public static void main(String[] args) throws Exception {
    Pattern p = Pattern
            .compile(".*?(\\d{1,3}(?:\\s+\\d{3})*)\\s*(\\d{1,3}(?:\\s+\\d{3})*)");
    List<String> list = Arrays.asList("Innbo Ekstra Nordea 1 500 000 1 302");

    for (String s : list) {
        Matcher m = p.matcher(s);
        if (m.matches()) {
            System.out.println("For string: " + s);
            System.out.println(m.group(1).replaceAll(" ", ""));
            System.out.println(m.group(2).replaceAll(" ", ""));
        } else {
            System.out.println("For string: '" + s + "' Didn't match");
        }
        System.out.println();
    }
}

Answer 2

与其尝试匹配您感兴趣的部分，不如修改字符串以仅保留所需内容，这会更容易。

从您的问题来看，您似乎总是在表的第二列有7位数字，因此您可以将其包括在正则表达式中：

.*\d\s\d{3}\s\d{3}\s(\d+\s+\d+)\s.*. 
^^ matches all the words from the first column  
   ^^^^^^^^^^^^^^^^ - matches the 7 digits and 2 spaces in the 2nd column. 
                  ^^ matches the space(s) between the columns. 
                     ^^^^^^^^^ matches the 2 sets of numbers with a space(12 000) in your example.

示例程序：

public static void main(String[] args) {
    String string = "Bolighus fullverdi 4 374 720 12 000 11 806";
    // Because it's a java string, back-slashes need to be escaped - hence the double \\
    String result = string.replaceAll(".*\\d\\s\\d{3}\\s\\d{3}\\s(\\d+\\s+\\d+)\\s+.*", "$1");
    System.out.println(result);
}

如何在Java中跳过Regex的某些部分？

2 个答案: