尝试将 RegEx 与 promise 返回的文本匹配——得到空字符串答案

【问题标题】：Trying to match RegEx to text returned by promise -- getting empty string尝试将 RegEx 与 promise 返回的文本匹配——得到空字符串
【发布时间】：2017-10-15 02:53:31
【问题描述】：

我正在使用 PDF.js 从 PDF 中获取文本，然后使用 RegEx 对其进行解析。 parsetext 函数接受一个由 promise 返回的 text 参数：

 gettext: function(url){
     var self = this;
     var data = url;
     console.log('attempting to get text');
     return pdfjs.getDocument(data).then(function(pdf) {
         var pages = [];
         for (var i = 0; i <= 1; i++) {
             pages.push(i);
         }
         return Promise.all(pages.map(function(pageNumber) {
             return pdf.getPage(pageNumber + 1).then(function(page) {
                 return page.getTextContent().then(function(textContent) {
                     return textContent.items.map(function(item) {
                         return item.str;
                     }).join(' ');
                 });
             });
         })).then(function(pages) {
             return pages.join("\r\n")
         });
     }).then(function(pages){
         self.parsetext(pages);      
     });        
 },

 parsetext: function(text){

     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s = text;
     var m = s.match(rx) || ["", ""];
     console.log(m[1] + ' is the matched text');  //   returns '  is the matched text'
 }

m[1] 应该返回一个长字符串。

删除了在未使用捕获组时尝试从 String.match() 获取捕获组的混淆案例 - 主要问题仍未解决，因此没有重复。

问题可能出在哪里？ RegEx 看起来不错，所以我只能想象这是 gettext 在运行 parsetext 之前没有返回完整字符串的结果。但这不是承诺所保证的吗？

我不认为这是没有返回值的问题，因为倒数第二个承诺是返回一个字符串。为了证明这一点，我添加了一个 console.log 来显示返回的内容：

 gettext: function(url){
     var self = this;
     var data = url;
     console.log('attempting to get text');
     return pdfjs.getDocument(data).then(function(pdf) {
         var pages = [];
         for (var i = 0; i <= 1; i++) {
             pages.push(i);
         }
         return Promise.all(pages.map(function(pageNumber) {
             return pdf.getPage(pageNumber + 1).then(function(page) {
                 return page.getTextContent().then(function(textContent) {
                     return textContent.items.map(function(item) {
                         return item.str;
                     }).join(' ');
                 });
             });
         })).then(function(pages) {
             return pages.join("\r\n")
         });
     }).then(function(pages){
         self.parsetext(pages);      
     });        
 },
 parsetext: function(text){
     console.log(text + ' is the text that is being returned from the promise');
     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s =  text;
     var m = s.match(rx) || ["", ""];
     console.log(m[0] + ' is the matched text');
 }

此日志：

'...SeiteSGP0136.1 3SE7120 3SE7120-1BF00 SGP0137.1 3SE7140 3SE7140-1CD00 SGP0138.1 3SE7150 3SE7150-1BH00 SGP0136.1 is the text that is being returned from the promise'

只是为了表明 RegEx 没有被破坏：

https://jsfiddle.net/dqewqwvk/5/

【问题讨论】：

@JaromandaX 不 .then(function(pages) { return pages.join("\r\n") }); 返回文本，然后将其发送到 self.parsetext?
当你尝试硬编码时，你使用的正则表达式不会对任何东西进行分组。正则表达式匹配成功，但由于结果仅包含您从m[1] 获得的undefined 的完整匹配项，因为m 只有一个项目
@DavidJ.，因为您在该正则表达式中有一个捕获组（即括号）：((\S+)\s+\S.*?)。该子表达式捕获的部分存储在m[1] 中。在这种情况下，还有 m[2] 对应于嵌套组 (\S+) 匹配的内容。
@trincot：我可以建议你放弃这个吗？问题不是异步编程的问题。 OP 甚至记录/解释了文本正在进入 parsetext 函数。
PDF可能包含其他控制字符，请使用JSON.stringify(text)记录内容

标签： javascript node.js regex promise pdf.js

【解决方案1】：

感谢@async5 的建议，我能够通过首先注意到与正则表达式匹配的文本不是我认为的那样来解决这个问题

console.log(JSON.stringify(text));  //   '...Seite                     SGP0136.1...'

这表明我在Seite 之后插入了额外的空格，这破坏了我的正则表达式。

我的解决方案是用空字符串替换超过三个空格的序列：

     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s =  text.replace(/\s{3}\s+/g, '');
     var m = s.match(rx) || ["", ""];
     console.log(m[1] + ' is the matched text');

【讨论】：