如何提取文本集合的子字符串？

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..

US00RE44697E
(i9) 美国
(12) 重发专利 (10) 专利号：RE44,697 E
Jones 等人。 (45) 日期 重发专利：2014 年 1 月 7 日
(54) ENCRYPTIONPROCESSORWITH SHARED
MEMORY INTERCONNECT
(75) 发明人：David E.Jones，渥太华 （加利福尼亚州）； Cormac
M.O'Connell, Carp (CA)
(73) 受让人：Mosaid Technologies Incorporated,
安大略省渥太华 (CA)
(21) 申请号：13/603,137
(22) 归档日期：2012 年 9 月 4 日
美国相关 专利文献
再颁发：
(64) 专利号：
颁发：
应用。编号：
归档：
6,088,800
2000 年 7 月 11 日
09/032,029
1998 年 2 月 27 日
(51) Int.CI。
G06F 21/00 (2013.01)
(52) 美国 CI.
USPC .............713/189; 713/190； 713/193； 380/28；
380/33; 380/52
(58) 分类领域 搜索
无

现在我的任务是从中提取字段并提供给字符串.. 那是

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"

极不规则的文字块

(64) 专利号：
颁发日期：
Appl.编号：
归档：
6,088,800
2000 年 7 月 11 日
09/032,029
1998 年 2 月 27 日

必须提取为

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

像这样..

我的作品

首先我使用了 string.split 、 string.substring 、 string、indexof 甚至 apache string utils ，但没有任何帮助..因为文本分散，上述方法没有帮助..我也尝试过正则表达式，但是因为我很弱，所以我不会编程。

请告诉我如何使用 java 实现我的目标？

Answer 1

使用正则表达式，我会将其分成 3 个部分：

1.) (10) Patent Number 正则表达式可能如下所示：

\(10\)\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 shorthand 代表 [ \t\r\n\f] 任何类型的空白。
• \w 是 shorthand 的 [A-Za-z0-9_] word-characters，以及 character class 中的 ,。
• 某些字符在正则表达式中有special meanings。它们必须用反斜杠转义。

---

2.) (54) ENCRYPT...

模式可能如下所示：

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

作为 java 字符串：

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

• (?s) s modifier 等于 Pattern.DOTALL 点也匹配换行符。
• (?=\(\d|$\)) 使用 lookahead 来匹配 (.*?) lazy 任意数量的任意字符，直到另一个 ( 后跟一个数字 | 或字符串结尾 $（anchor 结束）见过。

---

3.) 对于其他所需的 3 个部分，我将尝试使用模式反映输入的格式。这要求所有数据都是兼容的。模式可能如下所示：

(?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。

比赛将在[1] 例如6,088,800，[2] 例如七月。 2000 年 11 月 11 日 和 [3] 例如二月。 1998 年 1 月 27 日.

要开始使用正则表达式，这一次信息太多了 :)