如何从一组文本中提取子字符串？

Question

我从PDF文档中提取了文本。我想使用Java提取其中的一些特定字段。

文本部分如下：

US00RE44697E (i9) United States (12) Reissued Patent (10) Patent Number: RE44,697 E Jones et al. (45) Date of ReissuedPatent: Jan. 7, 2014 (54) ENCRYPTIONPROCESSORWITH SHARED MEMORY INTERCONNECT (75) Inventors: David E.Jones, Ottawa (CA); Cormac M.O'Connell, Carp (CA) (73) Assignee: Mosaid Technologies Incorporated, Ottawa, Ontario (CA) (21) Appl.No.: 13/603,137 (22) Filed: Sep. 4, 2012 Related U.S. Patent Documents Reissue of: (64) Patent No.: Issued: Appl. No.: Filed: 6,088,800 Jul. 11, 2000 09/032,029 Feb. 27, 1998 (51) Int.CI. G06F 21/00 (2013.01) (52) U.S. CI. USPC .............713/189; 713/190; 713/193; 380/28; 380/33; 380/52 (58) Field of Classification Search None 现在我的任务是从中提取字段并将其赋值给字符串，即：

文本`(10) Patent Number: RE44,697 E`将被提取为`String pat_no= " RE44,697 E"`。

文本`（54）ENCRYPTIONPROCESSORWITH SHARED MEMORY INTERCONNECT`将被提取为`String title= "ENCRYPTIONPROCESSORWITH SHARED MEMORY INTERCONNECT"`。

极不规则的文本块：

(64) Patent No.: Issued: Appl. No.: Filed: 6,088,800 Jul. 11, 2000 09/032,029 Feb. 27, 1998

必须被提取为：

String pat_no_org = "6,088,800";
String issued = "jul.11,2000" 
String filed = "feb 27 ,1998"
......

像这样..

我的工作

首先我使用了string.split，string.substring，string.indexof甚至apache string utils，但都没有帮助..因为文本是分散的，上面的方法都没有帮助..我也尝试过正则表达式，但由于我对它非常薄弱，我无法编程。请告诉我如何使用java实现我的目标？

- Ajay Nair

---

欢迎来到stackoverflow！我认为如果您发布您尝试过的正则表达式并写明失败的地方，这将会有所帮助。 - bdecaf

我读了这个网站并尝试了一些，但是遇到了困难。 - Ajay Nair

Answer 1

使用正则表达式，我会将其分成三个部分：

1.) (10) 专利号 的正则表达式可能是这样的：

\(10\)\s*Patent Number:\s*([\w,]+)

作为Java字符串：

"\\(10\\)\\s*Patent Number:\\s*([\\w,]+)"

第一个括号组的匹配项将在[1]中。

• \s是空白字符的速记符号，等价于[ \t\r\n\f]。
• \w是单词字符的速记符号，包括[A-Za-z0-9_]和,在字符类中。
• 一些字符在正则表达式中有特殊含义。它们需要用反斜杠进行转义。

---

2.) (54) 加密...

一个模式可能看起来像：

(?s)\(54\)\s*(.*?)\s*(?=\(\d|$\))

作为Java字符串：

"(?s)\\(54\\)\\s*(.*?)\\s*(?=\\(\\d|$\\))"

• (?s) “s”修饰符 等同于 Pattern.DOTALL，使点号匹配换行符。
• (?=\(\d|$\)) 使用前瞻匹配(.*?) 惰性匹配任意数量的任意字符，直到遇到另一个以数字(开头或字符串结尾$（锚定结尾）的字符。

---

对于其他3个所需的部分，我会尝试反映输入的格式与模式相匹配。这需要确保所有数据都是兼容的。一个模式可能是这样的：

(?s)\(64\).*?Filed:\s*([\d,]+)\s*(\w+\.\s*\d+,\s*\d+)\s*\n[\d+][^\n]+\n\s*(\w+\.\s*\d+,\s*\d+)

作为Java字符串：

"(?s)\\(64\\).*?Filed:\\s*([\\d,]+)\\s*(\\w+\\.\\s*\\d+,\\s*\\d+)\\s*\\n[\\d+][^\\n]+\\n\\s*(\\w+\\.\\s*\\d+,\\s*\\d+)"

• \n 匹配换行符。

匹配结果将在 [1] 中，例如：6,088,800，[2] 中的 Jul. 11, 2000 和 [3] 中的 Feb. 27, 1998。

对于刚开始学习正则表达式的人来说，这些信息可能有点过多 :)

- Jonny 5

---

感谢您详细的回答，@Jonny 5。 - Ajay Nair

在Stack上，我们接受并点赞，而不是道谢 :) - MariuszS