是否可以使用正则表达式提取不同的文本块和多行？

Question

我想使用正则表达式从报表文档中提取不同的文本块--每个新页面在下面没有显示的“第一个通知”前面用\x0c表示。我已经包括了图片w/行号以及文本，尽管格式化可能是一个问题。

报告文本将包含1..n页--在返回数据时，每个页面都是一个单独的行项。该数据将被提取并转换为行，然后输入数据库号、余额、名称、Address1、Address2、城市、州、Zip。

我需要提取的数据片段：

1. 编号- 11-1-11111-1
2. 余额- 1000.00
3. 名称- "DOEN，JOHN THOMAS“行14，col 7-50
4. 地址-2至3行
5. 进一步-进入Addr1/Addr2/City/State/Zip
6. 与城市的界线:城市ST Zip4或Zip-9
7. 城市可以容纳空间

数字和余额是相对容易获得-这是名称和地址部分，我有最大的问题，并正在寻找一个单一的正则表达式，将把每个项目纳入自己的小组。

地址在第15-17行和第7-50栏.

这有可能吗？

包含两页的示例文档：

​

​

​

 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001

Answer 1

Regex显式支持多行，如下所示

Regex reg = new Regex(@"pattern1|pattern2", RegexOptions.Multiline);
var matches = reg.Matches("my text with /n lines");

Regex的另一个方面是，您可以将模式划分为段，这相当于要匹配的替代文本。请参阅竖直杆上的这篇文章。使用从MatchCollection返回的reg.Matches，您将能够提取数据。

我建议分别在名称和地址行上进行匹配，例如，如果您总是可以依赖与名称相同的行上的字符串原始位置，那么您可以分别为其编写regex。regex引擎将按照顺序匹配模式，但您需要一些锚文本来搜索清楚，然后获得相对于锚文本的值。然后，您需要解析并清除Match对象中返回的值。

更新我以前的答案被部分编辑以删除无关的信息

下面是一个包含解决方案的程序，Regex相对简单，所以我将对那些不熟悉第一种模式的语法的人进行细分：

^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)  

regex包含4种单独的模式，由|拆分，这意味着交互。

您可以测试模式http://regexstorm.net/tester，小心不要添加任何额外的字符，并确保检查多行和忽略大小写选项。

^通过Regex构造函数捕获行的开始，因为我们正在使用多行模式。

[A-Z, ]捕获and、逗号和空格

+重复前面令牌1或更多次的重复出现，相当于表示{1,}

(?=original....)对这种模式的展望--在本例中--original....因此(？=pattern)

前瞻不捕获字符，但只捕获匹配字符。

其他模式相似，尽管最后一个模式匹配锚点之前的几行空白行，这是这个页面的末尾，并在一些字符{2,50}上设置了一个min/max

C#示例，它为示例数据清除返回的令牌-名称和地址-7项。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text.RegularExpressions;

namespace RegexTester
{
    class Program
    {
        static string text = @"FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001";

        static void Main(string[] args)
        {
            string pattern = @"^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)";
            Regex regex = new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase);
            MatchCollection matches = regex.Matches(text);
            List<string> cleaned = matches.Cast<Match>().Select(x => x.Value.Trim()).ToList();
        }
    }
}